L’auto-observation sur une application mobile : recherche mixte sur l’expérience des travailleurs du réseau de la santé pendant la pandémie COVID-19
Bibliographic record
Abstract
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.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".