Favoriser une approche critique des applications mobiles axées sur la santé mentale
Bibliographic record
Abstract
Il est bien établi que les services de santé québécois sont engorgés, un phénomène exacerbé par la pandémie. Les avancées technologiques des dernières années offrent des modalités de soutien qui permettent de contrecarrer les limites des approches traditionnelles. Les applications mobiles en santé mentale présentent plusieurs avantages par rapport aux approches en personne, comme une plus grande accessibilité financière. Il est démontré que ces applications peuvent aider les utilisateurs à améliorer leur fonctionnement quotidien et à prendre conscience de leurs symptômes en les encourageant à les surveiller eux-mêmes. Toutefois, seule une minorité d’applications sont validées empiriquement et il peut être difficile pour l’utilisateur de faire un choix éclairé devant l’éventail d’applications existantes. Le présent article se veut un plaidoyer pour une approche critériée lors de la sélection d’applications mobiles, c’est-à-dire une évaluation à partir de critères clairs et concis, pour le développement d’un jugement critique par les utilisateurs. L’état actuel du domaine des applications mobiles en santé mentale sera décrit, la commercialisation rapide du domaine sera critiquée et quelques critères d’évaluation seront proposés et exemplifiés aux lecteurs. Finalement, une sélection d’applications publiées ou en cours de conception seront évaluées selon les critères abordés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.047 | 0.145 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".