What influences engagement with a bipolar disorder self-management app? A qualitative investigation of use of the PolarUs app
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Interventions delivered via smartphone apps may support individuals with bipolar disorder (BD) to learn about and implement evidence-based self-management strategies in the context of their daily lives. However, app usage rates are often suboptimal. The subjective experience of users may provide insights into factors influencing engagement (and disengagement) with an mHealth intervention. The present study describes a qualitative investigation of the experiences of people with BD who participated in the evaluation of a novel app-based intervention for BD self-management, the PolarUs app. Twenty-five individuals with BD were provided with access to an app-based self-management intervention over a three-month study period, and were later interviewed about personal experiences of engagement with the intervention, including attempts to enact self-management strategies. Thematic analysis was used to identify important aspects of the experience of engaging with a self-management app. Three themes describing drivers of engagement with the PolarUs app and associated features were generated: 1) Motivations, 2) Salience, and 3) Perceived effort. Drivers of engagement were shaped by contextual influences, summarised in four themes: 1) The smartphone ecosystem, 2) Daily life, 3) Mood symptoms, and 4) Involvement in a research study. The findings of this research generate insights into how individuals with BD engage with app-based interventions. Lived experience perspectives can inform the design of engaging app-based interventions for BD. Further, these findings emphasise the importance of considering the context in which people use self-management apps for BD for both research studies and implementation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle