Perinatal depression and anxiety in Ghana: a qualitative study of women's perspectives on AI-driven interventions
Notice bibliographique
Résumé
BACKGROUND: The perinatal period is critical for maternal and child health, yet many women experience perinatal mental illnesses, particularly perinatal depression and anxiety. In Ghana, the burden of perinatal depression and anxiety is exacerbated by socioeconomic challenges and limited access to mental health services. This study explores the perceptions and experiences of pregnant women and new mothers regarding the role of artificial intelligence in addressing perinatal depression and anxiety. METHODS: A qualitative approach utilizing focus group discussions was employed to gather insights from 15 participants, including 8 pregnant women and 7 new mothers, in Accra, Ghana. Thematic analysis was used to identify key themes related to experiences with perinatal depression and anxiety and attitudes toward artificial intelligence technologies. RESULTS: Four main themes emerged: awareness of perinatal depression and anxiety and its emotional impact, scepticism and fear regarding artificial intelligence's ability to provide emotional support, perceived benefits and significant barriers associated with artificial intelligence tools. The participants acknowledged the potential for artificial intelligence to aid in self-monitoring and education but expressed concerns about privacy, trust, and the fear of losing human interaction in care. CONCLUSION: This study highlights the complex interplay of awareness, emotional experiences, and attitudes toward artificial intelligence among perinatal women in Ghana. This highlights the need for culturally sensitive educational initiatives and ethical guidelines for artificial intelligence integration in maternal health, aiming to enhance mental health outcomes for women and their families in low- and middle-income contexts.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».