The impact of sociodemographic factors on the acceptability of digital mental health care : a scoping review and a quantitative exploration among individuals with psychotic disorders
Bibliographic record
Abstract
Introduction: Les personnes atteintes de troubles mentaux, en particulier celles des communautés marginalisées, rencontrent souvent des obstacles pour accéder aux services thérapeutiques. Les innovations numériques en santé mentale (INSM) sont des outils prometteurs pour améliorer cet accès, en complément aux soins en présentiel. Cependant, il est important d’évaluer l'acceptabilité des INSM, c’est-à-dire la manière dont elles sont perçues et utilisées, et d’évaluer comment celles-ci varient entre différents groupes sociodémographiques. Objectifs: L'objectif premier est d'entreprendre une revue de la littérature sur le rôle des différences démographiques dans l'acceptabilité des INSM. Le deuxième objectif est d'évaluer l’impact des différences démographiques dans l'utilisation et l'acceptabilité de l’intervention Horyzons-Canada (HoryzonsCa) auprès de personnes atteintes de troubles psychotiques. Méthodologie: Pour le premier objectif, un examen de la portée a été réalisé selon la méthodologie décrite dans JBI Manual for Evidence Synthesis. Le deuxième objectif s'inscrit dans la Phase 3 de l'étude HoryzonsCa. Les données, analysées en utilisant des tests non paramétriques, incluent les informations sur l'utilisation de HoryzonsCa et les réponses au questionnaire d'acceptabilité (rempli 12 semaines suivant l’inscription sur la plateforme). Résultats: Concernant le premier objectif, 23 des 42 articles inclus ont noté des variations démographiques en matière d'acceptabilité, principalement liées à l'âge et au genre. Concernant le deuxième objectif, 50 des 66 participants inscrits sur HoryzonsCa ont rempli le questionnaire d'acceptabilité. Des différences d'utilisation et d'acceptabilité ont été observées selon l'âge, le genre, la race, le niveau d'éducation et le statut professionnel.
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 | 0.061 | 0.171 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.005 |
| Bibliometrics | 0.017 | 0.019 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".