L’auto-observation sur une application mobile : recherche mixte sur l’expérience des travailleurs du réseau de la santé pendant la pandémie COVID-19
Notice bibliographique
Résumé
Contexte : Les travailleurs du réseau de la santé sont à risque de vivre une détresse psychologique, en particulier pendant des événements de crise comme la pandémie COVID-19. Les applications d'auto-observation psychologique peuvent contribuer à réduire les symptômes de dépression, d'anxiété et de stress post traumatique en améliorant la conscience émotionnelle. Cette étude s'est intéressée à comment les travailleurs de la santé ont vécu l'auto-observation psychologique à l'aide d'une application pendant la pandémie COVID-19 au Québec (Canada), en explorant l'expérience utilisateur et des facteurs contribuant à leur adhésion à l'application. Objectif : Explorer l’expérience et l’adhésion de travailleurs de la santé à une application d’auto-observation psychologique et examiner si l’adhésion peut être influencée par la satisfaction par rapport à l’application, sa contribution perçue à la conscience émotionnelle et l’expérience des utilisateurs d’une détresse psychologique lors de la période d’utilisation. Méthodes : Des travailleurs de la santé au Québec, Canada, ont été invités à répondre chaque semaine à des questions sur leur santé mentale à l'aide d'une application mobile. Un modèle mixte convergent a été utilisé. Les données quantitatives de 340 participants ont été collectées à partir de l'application et d'un questionnaire post-participation. Des corrélations et des modèles de régression hiérarchique ont été réalisés pour examiner les facteurs susceptibles d'expliquer l'adhésion des participants à l'application Les données qualitatives ont été récoltées lors de 30 entretiens individuels semi-structurés. Une analyse thématique a été utilisée pour explorer davantage l'expérience des utilisateurs avec l’application. Résultats : Sur une période de 12 semaines, l'adhésion moyenne à l'application d'auto-observation était de 72% (SD=29.0) et la satisfaction moyenne était de 80% (SD=2.0). La plupart des participants ont estimé que l'application a contribué modérément (n=165) ou beaucoup (n=141) à améliorer leur état de conscience émotionnelle. Le modèle de régression significatif (F (3, 401) =9,81, p< 0,001) a révélé qu'environ 11 % de la variation de l'adhésion pouvait être expliquée par la satisfaction à l'égard de l'application (ß=.251, t=4,918, p< 0,001) et sa contribution perçue à la conscience émotionnelle (ß=.128, t=2,49, p= 0,013). Le sexe biologique (377 femmes, 53 hommes), l'âge (A= 41 ans, SD= 9,9) et le fait d’avoir vécu une détresse psychologique au moins une fois en 12 semaines (n=242) n'ont pas influencé l'adhésion de manière significative. Les thèmes émergents des 30 entretiens correspondent à la façon dont les participants ont décrit leur expérience comme introspective. Une amélioration de la conscience émotionnelle et des pratiques d'autosoins a été rapportée. Les participants ont également discuté de la façon dont les propriétés de l'application (par exemple, sa facilité d'utilisation, l'éventail des questions posées, les notifications hebdomadaires, etc.) ont influencé leur expérience et ont cité quelques attentes non satisfaites qui pourraient éventuellement améliorer leur utilisation de l'application d'auto-observation. Conclusions : Une application simple d'auto-observation psychologique pourrait être un outil pertinent pour les travailleurs de la santé qui s’intéressent à leur bien-être psychologique, notamment sur le plan émotionnel, et en particulier lors de crises sanitaires telles que les pandémies.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».