MétaCan
Menu
Retour à la cohorte
Enregistrement W7164342131 · doi:10.2196/90484

Digital Media Literacy Group for Adolescents in Child and Adolescent Psychiatry: Feasibility Study (Preprint)

2025· article· en· W7164342131 sur OpenAlexvenueno aff
Ira-Katharina Petras, Sarah Wüllner, Katharin Hermenau, Kathleen Meerkamp, Michael Siniatchkin

Notice bibliographique

RevueJMIR Formative Research · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueChild Development and Digital Technology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedia literacyDigital literacyDigital mediaGroup (periodic table)LiteracySocial media

Résumé

récupéré en direct d'OpenAlex

Background: Digital media literacy (DML) may help adolescents to handle online risks, misinformation, digital violence, and problematic media use more reflectively. However, structured interventions for adolescents in child and adolescent psychiatry (CAP), particularly in inpatient and day-treatment settings, remain scarce. Objective: This study evaluated the feasibility, acceptability, and perceived usefulness of a manualized DML group for adolescents in CAP and explored preliminary changes in digital self-efficacy and critical media literacy (CML). Methods: A prospective single-arm feasibility study with an embedded pretest-posttest and session-level process evaluation was conducted across 3 CAP clinics in Germany. The intervention comprised 6 weekly 60-minute, manualized modules covering data protection, social media use, and digital violence. Sessions were delivered in an open-group format by trained clinical staff. Recruitment was embedded in routine care, and clinical group participation was independent of study evaluation. Adolescents and facilitators completed paper-and-pencil questionnaires at baseline (T1), after each session, and post intervention or discharge (T2). Analyses were primarily descriptive; exploratory pre-post analyses used paired t tests. Results: The analytic feasibility sample comprised 121 adolescents who attended at least 1 module. T1 data were available for n=60 and T2 data for n=38. Overall, adolescents attended a median of 2 modules (IQR 1-3; mean 2.46, SD 1.65, range 1-6), and 45 attended at least 3 modules. Session-level ratings indicated moderate to high acceptability. Facilitator-rated manual fidelity was moderate to high. Retrospective T2 ratings indicated moderate to high helpfulness (n=38; mean 3.55, SD 1.18; median 4.0, IQR 3.0-4.0) and satisfaction (n=38; mean 3.79, SD 1.07; median 4.0, IQR 3.0-5.0), with no significant differences between completers and noncompleters for helpfulness (U=125.00; P=.60) or satisfaction (U=122.00; P=.53). Among completers (≥3 modules and T2 data; n=28), didactic method acceptability was moderate (mean 2.85, SD 0.60), and perceived learning was moderate to high (mean 3.33, SD 0.95). Exploratory pre-post analyses indicated an increase in perceived self-efficacy for recognizing misinformation (n=21; T1 mean 2.94, SD 0.59; T2 mean 3.38, SD 0.63; t20=2.58; Hedges g=0.56, 95% CI 0.09-1.02; P=.02). Overall CML increased descriptively (P=.07), whereas digital media self-efficacy did not change significantly (P=.27). Conclusions: Our manualized DML group was feasible and acceptable in routine CAP. Open-group delivery and variable treatment stays limited intervention exposure and data completeness. Findings suggest that brief DML groups may address safety- and knowledge-oriented competencies, but controlled mixed methods studies with systematic recruitment and missing-data documentation are needed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,420
Écart entre enseignants0,379 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJMIR Formative ResearchMême sujetChild Development and Digital TechnologyTravaux en français237 207