Perception of AI Use in Youth Mental Health Services: Qualitative Study
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) technology has made significant advancements in health care. A key application of using artificial intelligence for health (AIH) is the use of AI-powered chatbots; however, empirical evidence on their effectiveness and feasibility remains limited. Objective: This study explored interest group perceptions of integrating AIH in youth mental health services, focusing on its potential benefits, challenges, usefulness, and regulatory implications. Methods: This qualitative study used semistructured in-depth interviews with 23 mobile health stakeholders, including youth users, service providers, and nonclinical staff from an integrated youths' service network. We used an inductive approach and thematic analysis to identify and summarize common themes and subthemes. Results: Participants identified AIH's potential to support education, navigation, and administrative tasks in health care, as well as to create safe spaces and mitigate health resource burdens. However, they expressed concerns about the lack of human elements, such as empathy and clinical judgment. Key challenges included privacy issues, unknown risks from rapid technological advancements, and insufficient crisis management for sensitive mental health cases. Participants viewed AIH's ability to mimic human behavior as a critical quality standard and emphasized the need for a robust evaluation framework combining objective metrics with subjective insights. Conclusions: While AIH has the potential to improve health care access and experience, it cannot address all mental health challenges and may exacerbate existing issues. While AIH could complement less-complex services, it could not replace the therapeutic value of human interaction at this time. Co-design with end users is critical for successful AI integration. Robust evaluation frameworks and an iterative approach to build a learning health system are essential to refine AIH and ensure it aligns with real-world evolving needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».