Using intervention mapping to evaluate ‘High-Alert,’ a brief smartphone intervention to reduce youth cannabis-impaired driving
Notice bibliographique
Résumé
Youth driving under the influence of cannabis (DUIC) is a growing public health concern. While brief smartphone interventions have shown promise in reducing substance use and alcohol-impaired driving among youth, their efficacy for DUIC remains limited. Using the six-step Intervention Mapping framework, we developed and tested High Alert, a digital smartphone intervention designed to reduce DUIC among high-risk Canadian youth. The intervention was previously tested in a pilot randomized controlled trial comparing High Alert to an active control (exposure to six DUIC infographics) and a passive control (no contact). This study presents a comprehensive evaluation of High Alert using Step 6 of the Intervention Mapping framework. Reporting on this evaluation serves as a practical guide for researchers utilizing Intervention Mapping, offering valuable insights into High Alert's formative, process, outcome, and acceptability evaluations to enhance DUIC prevention efforts. Formative and acceptability evaluations revealed High Alert's positive reception among youth, with most participants willing to engage with it and recommend it to their peers. The program received high ratings for content and delivery, surpassing the static infographics used in the active control. Outcome evaluations demonstrated preliminary efficacy in reducing DUIC behaviour, particularly driving after cannabis co-use, compared to the no-contact group. Process evaluations highlighted implementation challenges, including online study bot activity, recruitment barriers (e.g., participant skepticism, limited ad targeting options), high attrition rates, and low adherence. Findings highlight the importance of Step 6 in Intervention Mapping, emphasizing the need for transparent and rigorous evaluation to inform future interventions. Addressing recruitment and implementation challenges is essential for improving the scalability and effectiveness of interventions targeting high-risk behaviours such as DUIC and will inform High Alert's future testing.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».