Exploration of Factors That Affect Engagement With the Experience Sampling Method and Service Users’ Experience of This Within the AVATAR2 Trial: Mixed Methods Study
Notice bibliographique
Résumé
Background: Experience sampling methodology (ESM) is an assessment method used in psychosis research. Symptom severity and gender may be associated with ESM engagement. Exploring qualitative experiences of using ESM among people with psychosis should aid developing more relevant, accessible digital assessments. Objective: This study aimed to examine factors that could affect engagement with ESM, such as associations of completion rates with age, ethnicity, gender, and clinical severity. It also aimed to explore qualitatively service users' experiences of using this data collection method. Methods: Data from 134/207 AVATAR2 trial (ISRCTN55682735) participants were used to evaluate associations between demographic variables, symptom severity, and ESM completion rates. Trial participants were purposively sampled to participate in an interview to discuss their experiences of using ESM or to discuss reasons why they chose not to use it. Results: Multiple regression analyses of 134 participants found that age, gender, ethnicity, and clinical severity were not associated with ESM completion rates (F5,128=0.548; P=.74). A thematic analysis of 17 participant interviews found 3 overarching themes: Factors affecting engagement with ESM, Perceived benefits of ESM, and Suggestions for improvement. These themes described how ESM has multiple benefits for people with psychosis, including increasing knowledge and awareness of mental health. ESM was straightforward and easy to use; however, engaging in other activities, experiencing positive symptoms, little experience using technology, and trial involvement impacted engagement. Participant's decision to use ESM could be influenced by concerns about security and privacy. Conclusions: Recommendations are made on how engagement with ESM can be improved, making it easier to use this method with this population, including providing increased support or training when using digital-based assessment or intervention as well as providing information on how digital data are used and recorded.
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 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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».