Leveraging Social Media and Crowdsourcing to Recruit and Retain Military Veterans With Posttraumatic Stress Disorder or Experience of Harmful Gambling for mHealth Interventions: Descriptive Study
Notice bibliographique
Résumé
Background: Military veterans may be at increased risk of posttraumatic stress disorder (PTSD) compared to the general population. PTSD is often comorbid with harmful and problematic patterns of gambling. Behavioral therapies such as acceptance and commitment therapy have shown promise in treating these co-occurring disorders, especially if combined with mobile health (mHealth) interventions to circumvent known help-seeking barriers faced by veterans. However, to date, recruitment for mHealth interventions has been challenging and may impact intervention feasibility. Objective: In this paper, our objectives were to describe the strategies used to recruit UK military veterans with PTSD or experience of harmful gambling to a pilot study of a smartphone-based digital intervention, ACT Vet. Methods: We used several recruitment strategies, such as direct mailing, paid study advertising on social media (Facebook) and an online research platform (Prolific), study-specific website management, in-person event hosting with veterans' charities, snowball sampling, and incentives for completion. Results: Results showed that, over 27 days, recruitment through Facebook accounted for 21 eligible veterans (n=7, 33% through unpaid advertising and n=14, 67% through paid advertising), whereas Prolific accounted for 50 veterans. Additional strategies recruited 8 eligible veterans. In total, 79 eligible military veterans were recruited for ACT Vet, with 24 (30%) completing the final steps of the study. Conclusions: Difficulties such as low advertisement conversion rate and participant and data attrition arose throughout this study. Our findings illustrate the relative effectiveness of social media- and online platform-based initiatives in recruiting veterans with PTSD or harmful gambling. Future research should consider establishing an online presence for effective digital intervention recruitment with diverse branding to attract representative samples of veterans for mHealth research.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».