这是一篇在知识共享署名许可(http://creativecommons.org/licenses/by/2.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。
尽管基于网络的干预措施已被证明是有效的,但它们并未在常规护理中得到广泛实施。不遵守(即参与者不遵守干预协议)是一个问题。通过研究网络干预的使用方式,以及坚持者(即开始所有9节课的参与者)和非坚持者之间是否存在差异,可以更深入地了解坚持的过程。
本研究的目的是:(1)描述参与者的特征并调查其与依从性的关系;(2)调查坚持者和非坚持者对干预措施不同特征的利用以及可能的差异;(3)确定坚持者和非坚持者之间出现的使用模式以及是否存在差异。
数据来自206名参与者,他们使用了基于网络的干预措施“充分生活”,这是一种基于网络的干预措施,采用全自动和人工支持的格式来预防抑郁症。通过在线调查收集参与者的人口统计学和基线特征。日志数据是在基于web的干预本身中收集的。进行了定量和定性分析。
总共有118名参与者完全坚持干预(即开始所有9节课)。非荷兰族裔的参与者更常坚持服药21= 5.5,
通过将测井数据与参与者的基线特征相结合,我们为重新设计该干预措施和一般基于网络的干预措施提取了宝贵的经验教训。首先,虽然被调查者的特征可以显著预测依从性,但其预测价值很小。其次,重要的是设计基于web的干预措施,以促进干预措施中所有功能的遵守和使用。
荷兰审判登记号:NTR3007;http://www.trialregister.nl/trialreg/admin/rctview.asp?TC=3007(由WebCite在http://www.webcitation.org/6ILhI3rd8存档)。
抑郁症的患病率很高,给卫生保健系统带来了很大的负担。研究表明,易于获得的指示性预防干预措施(针对高危人群)至关重要,而且具有成本效益[
尽管基于网络的干预措施已被证明是有效的,但基于网络的干预措施仍未在常规护理中广泛实施[
近年来,依从性获得了相当大的关注。艾森巴赫创造了损耗定律这个短语[
已经对基于网络的干预措施的使用和使用模式进行了研究。对可自由获取的干预措施的描述性研究表明,它们吸引了相当数量的访客,但这些访客通常与干预措施中可能的一部分进行互动或访问[
除了坚持作为一个过程,还有许多关于受访者的特征,可能预测坚持的问题。研究调查了人口统计和疾病相关措施(例如,[
本文分析了一项关于网络干预预防抑郁症的依从性和有效性的研究中收集的日志数据,其中239名参与者中有118人(49.4%)坚持了干预(即开始了所有9节课)[
本文所描述的分析是基于基于网络的干预预防抑郁症的依从性和有效性的父母研究中收集的数据[
根据Van Gemert-Pijnen等人[
一种名为“活得充实”的网络干预是基于接受和承诺疗法(ACT)的。
该干预措施是采用CeHRes电子卫生发展路线图中的方法制定的[
基于网络的干预措施的个人主页,包含所有参与者的要素。
在这项研究中,基于网络的干预是在一个研究环境中实施的,即在荷兰特温特大学。参与者可以在任何时间、任何地点免费访问基于web的干预。在完成一节课后,参与者可以在收到反馈后继续下一节课。当参与者看完所有的心理教育材料并完成所有的练习时,就会得到这个反馈。此外,反馈是在参与者开始课程后至少5天发送的(见
与系统的基于网络的交互包括做在线练习、使用多媒体内容和使用个性化功能。系统内还提供了反馈消息(人工或自动)形式的交互。此外,与系统的交互是通过自动发送到参与者的电子邮件地址的电子邮件消息进行的,以提醒他们开始、继续或完成课程。对于注册了短信服务(SMS)辅导的参与者(见下一段),互动也通过他们的手机进行。这种互动是单向的;没有回答的可能。此外,所有参与者都有机会通过电话联系研究人员,尽管这种可能性很少使用(在干预期间总共约有5个电话)。
虽然干预的组成部分不是本研究的重点,但本节将简要概述每个组成部分的水平,以便能够将本研究中提供的数据置于其上下文中。详细的描述可以在
支持的来源要么是人工的,要么是自动的。为了分离支持来源的影响,在反馈信息的长度、量身定制的内容和展示(包括辅导员的照片)方面,两种情况都被设计得尽可能具有可比性。为了保持人工支持和自动支持之间的独特差异(在人工支持中增加了互动的可能性,在自动支持中增加了及时反馈的可能性),人工支持条件下的参与者有机会向他们的辅导员提问,自动化支持条件下的参与者每节课收到1个额外的基于网络的即时反馈信息。
在包含短信的条件下,参与者有机会打开短信教练。这名短信教练每周向参与者提供的手机号码发送3条预先设计好的短信。这些短信是研究人员在研究开始前写的,内容是基于干预发展研究的结果[
高体验条件包含额外的多媒体和互动材料,如短片、互动练习和隐喻的多媒体呈现。
干预中每节课都有一个成功的故事。对于高定制条件,每个成功案例都是根据以下4个方面进行定制的:性别、年龄、婚姻状况、日常活动、最突出的症状和参与网络干预的原因。每周的故事都是根据不同的方面进行调整的,而不是在所有方面都保持故事的可信度。在低定制条件下,每周呈现一个标准的成功故事。
高度个性化条件包括个性化的内容(系统显示参与者选择的格言和图片;该系统显示了参与者选择的最重要的价值)和适应性(可以从参与者认为最重要的课程中创建个人前5个方面)。
在基线时通过在线问卷收集参与者的特征。采用ce - d量表(20项,0-60分;越高=抑郁症状越多[
通过日志文件客观地测量了基于web的干预措施的使用情况。可以从这些日志文件中提取依从性。坚持被定义为从第9课开始的参与者,因为干预计划在第9课期间使用。
日志文件包含每个参与者所采取的操作的记录,每个操作具有以下信息:唯一的参与者标识号、操作类型、操作规范以及时间和日期。登录的操作类型有:登录、注销、开始上课、开始正念、下载正念、查看成功案例、查看反馈信息、开始视频、打开短信教练、关闭短信教练、查看短信。例如,行动规范是开始的正念练习的名称或查看了哪条短信。
对任意选择的20名参与者进行了使用模式的描述性分析;5个早不坚持(即没有开始第5课),5个晚不坚持(即开始了第5课但没有开始第9课),10个坚持。我们将不坚持者分为早期不坚持者和晚期不坚持者,以探索这两组之间是否存在差异。可能是早期不坚持的人与晚期不坚持的人有不同的原因。这些早期的原因可能是更普遍的方面,在早期阶段变得清晰(例如,内容对他们没有吸引力,或者干预的形式不符合他们的期望)。迟到的原因可能更多地与干预的过程或动机有关(例如,很难每周花足够的时间进行干预)。可能是晚期不坚持者与坚持者更相似,更容易被说服成为坚持者,而对于早期不坚持者,干预可能根本不合适。虽然早期或晚期不依从的原因不能从本研究中得出,但结果可以显示晚期不依从者在使用干预措施方面是否与坚持者更相似。努力确保选定的参与者具有与全部样本相同的人口统计学特征和随机分组分布。此外,我们只选择那些在第2、5或8课中没有开始不坚持的参与者,因为这些是我们调查的课程,我们希望避免包括那些没有完成调查课程的参与者的模式。 See
采用pasw18 (Predictive Analytics Software)进行统计分析;美国IBM)。采用单因素方差分析(ANOVA)和卡方检验(χ2).使用逻辑回归评估基线特征是否预测依从性。由于逻辑回归的探索性,所有预测变量都是使用输入法一次性添加的。
使用干预措施的206名参与者的基线人口统计数据和结果测量显示在
平均开始的课程数为6.9节,本研究中57%的参与者完全坚持干预(模式和中位数= 9节课)。
为了探索基线特征对依从性(即开始所有9节课)的可能预测价值,我们对中显示的所有基线特征进行了探索性逻辑回归
所有参与者的基线人口统计和结果测量,以及坚持和不坚持之间的差异。
参与者的特点 | 总计 |
Adherers |
Nonadherers |
|
年龄(岁),平均(SD) | 44.7 (12.5) | 45.2 (12.6) | 43.9 (12.3) | 票价 |
性别(女性),n (%) | 150 (72.8) | 92 (78.0) | 58 (65.9) | 0。 |
|
|
|
|
02 |
|
荷兰 | 188 (91.3) | 103 (87.3) | 85 (96.6) |
|
其他 | 18 (8.7) | 15 (12.7) | 3 (3.4) |
|
|
|
|
.51 |
|
高 | 139 (67.5) | 82 (69.5) | 57 (64.8) |
|
中间 | 53 (25.7) | 30 (25.4) | 23日(26.1) |
|
低 | 14 (6.8) | 6 (5.1) | 8 (9.1) |
|
|
|
|
.46 |
|
结婚了 | 72 (35.0) | 45 (38.1) | 27日(30.7) |
|
离婚了 | 41 (19.9) | 20 (16.9) | 21日(23.9) |
|
丧偶的 | 4 (1.9) | 3 (2.5) | 1 (1.1) |
|
未婚 | 89 (43.2) | 50 (42.4) | 39 (44.3) |
|
|
|
|
酒精含量 |
|
带薪工作 | 131 (63.6) | 69 (58.5) | 62 (70.5) |
|
学生 | 16 (7.8) | 9 (7.6) | 7 (8.0) |
|
没有工作 | 59 (28.6) | 40 (33.9) | 19日(21.6) |
CES-D,平均值(SD) | 24.9 (6.9) | 24.5 (7.3) | 25.4 (6.5) | .35点 |
HADS-A,平均值(SD) | 9.7 (2.6) | 9.4 (2.5) | 10.0 (2.6) | 13。 |
Logistic回归基线特征和依从性。
包括 | B一个(SE) |
|
或(95% ci) |
常数 | 0.56 (1.82) | .76 |
|
年龄 | -0.01 (0.02) | 主板市场 | 0.99 (0.96 - -1.02) |
性别 | 0.70 (0.35) | .046 | 2.02 (1.01 - -4.04) |
种族 | 1.29 (0.70) | 07 | 3.63 (0.92 - -14.26) |
教育 | 0.30 (0.26) | 二十五分 | 1.35 (0.81 - -2.24) |
婚姻状况 | -0.09 (0.14) | 53 | 0.92 (0.70 - -1.20) |
日常活动 | 0.35 (0.19) | 。08 | 1.41 (0.97 - -2.06) |
鉴定 | -0.01 (0.02) | 点 | 0.99 (0.95 - -1.04) |
HADS-A | -0.12 (0.07) | 07 | 0.89 (0.78 - -1.01) |
认知需要 | 0.02 (0.01) | 02 | 1.02 (1.00 - -1.05) |
需要归属感 | -0.33 (0.27) | 口径。 | 0.72 (0.43 - -1.21) |
互联网的使用 | -0.16 (0.09) | 06 | 0.85 (0.72 - -1.01) |
互联网体验 | -0.05 (0.11) | .64点 | 0.95 (0.77 - -1.18) |
一个B:未标准化系数。
已完成课程与参与者比例的图表。
从日志文件中提取出每个参与者在基于web的应用程序中执行操作的次数(
为了更详细地检查参与者在课程期间与系统交互的方式,对20名参与者(5名早期不坚持者,5名晚期不坚持者和10名坚持者)在第2课(所有选定的参与者)、第5课(晚期不坚持者和坚持者)和第8课(仅坚持者)上的使用模式进行了调查。
有许多会话只涉及登录和注销操作,中间时间不到一分钟。
坚持者以非常短的第一堂课开始后面的课程。
许多反馈消息在可用后的第一个会话中没有被读取。
在另一个操作之后有许多登录操作。
拥护者和非拥护者的用户操作。
用户操作 | Adherers |
Nonadherers |
总计 |
|
|
|
|
|
|
|
总计 | 40.2 (19.8) | 14.4 (13.6) | 29.1 (21.6) |
|
每课 | 4.5 (2.2) | 3.2 (1.5) | 3.9 (2.0) |
|
|
|
|
|
|
总计 | 22.9 (17.6) | 6.1 (7.8) | 15.7 (16.5) |
|
独特的消息 | 12.0 (5.2) | 3.8 (3.7) | 8.5 (6.1) |
|
每节课的独特信息 | 1.3 (0.6) | 0.8 (0.6) | 1.1 (0.6) |
|
|
|
|
|
|
总起始,均值(SD) | 7.8 (5.6) | 3.6 (3.3) | 6.0 (5.2) |
|
唯一启动,平均(SD) %b | 3.6 (1.4) 72.0% | 2.1 (1.3) 74.3% | 2.9 (1.6) 73.0% |
|
唯一下载,平均(SD) %b | 2.6 (2.1) 51.5% | 1.1 (1.3) 37.7% | 1.9 (1.9) 45.6% |
|
唯一使用的,平均(SD) %b | 4.4 (1.0) 87.6% | 2.3 (1.3) 81.6% | 3.5 (1.5) 85.0% |
|
|
|
|
|
|
总数,平均值(SD) | 8.8 (7.5) | 3.5 (3.5) | 6.5 (6.7) |
|
唯一,平均(SD) %b | 5.2 (2.8) 57.3% | 2.4 (1.9) 61.4% | 4.0 (2.8) 59.1% |
|
|
|
|
|
|
开启短信辅导的参与者中,nd | 19 | 7 | 26 |
|
课程开启,平均(SD)e | 7.9 (2.6) | 2.4 (1.7) | 6.5 (3.4) |
|
查看的消息总数,平均值(SD) | 14.3 (20.0) | 2.4 (3.7) | 9.6 (16.7) |
|
查看的唯一消息,平均值(SD) %b | 8.4 (8.9) 31.0% | 1.8 (2.8) 14.9% | 5.8 (7.8) 24.6% |
|
|
|
|
|
|
总数,平均值(SD) | 5.4 (6.1) | 2.0 (3.8) | 3.9 (5.5) |
|
唯一,平均(SD) %b | 3.5 (3.4) 38.6% | 1.3 (2.3) 25.5% | 2.5 (3.2) 32.9% |
一个不统计前一次登录后30分钟内的登录,使登录更准确地反映会话数;每节课的登录数:登录数除以上一节课的登录数。
b% =唯一操作/可能操作。对于坚持者来说,可能行动的数量是在整个干预过程中这种行动的总数。对于不坚持的人,可能的动作数量是参与者开始的所有课程中可用动作的总数。
c仅适用于包含短信指导的条件下的参与者;n = 105;adherers n = 63;nonadherers n = 42。
d至少开启过一次短信教练的人数。
e至少开启一次短信教练的参与者开启短信教练课程的次数。
f仅适用于高经验条件下的参与者;n = 116;adherers n = 65;nonadherers n = 51。
早期非坚持者(n=5)、晚期非坚持者(n=5)和坚持者(n=10)的平均疗程数和持续时间。
变量 | nonadherers早期, |
nonadherers后期, |
Adherers, |
|||
教训 | 2 | 2 | 5 | 2 | 5 | 8 |
总会议 | 2.8 (1.6) | 4.4 (1.5) | 4.0 (1.6) | 5.5 (2.6) | 4.3 (1.3) | 4.0 (1.9) |
完成课程的会话 | 1.8 (0.8) | 2.0 (1.2) | 2.8 (1.6) | 3.5 (2.0) | 2.8 (0.9) | 1.9 (0.9) |
会话总时长(分钟) | 36.2 (44.8) | 64.0 (45.2) | 38.8 (33.3) | 101.9 (55.6) | 125.6 (99.8) | 114.0 (110.4) |
间隔时间(天) | 6.7 (4.1) | 10.0 (4.1) | 10.8 (1.8) | 7.7 (1.7) | 10.8 (6.1) | 9.6 (5.2) |
本研究的目的是:(1)描述参与者的特征并调查其与依从性的关系;(2)调查坚持者和非坚持者对干预措施不同特征的利用以及可能的差异;(3)确定坚持者和非坚持者之间出现的使用模式以及是否存在差异。
这项研究的参与者主要是受过高等教育、有工作的荷兰女性。这一群体与许多基于网络或电子卫生干预措施(例如,[
总的来说,在使用应用程序的206名参与者中,有118名参与者坚持了干预。虽然我们通过使用这些数字包括了追随者的百分比,但应该注意的是,我们只报告了开始第1课的参与者。所有参与者的真实依从性为49.4% (118/239)[
我们对不同功能使用情况的研究结果反映了对免费网络干预使用情况的研究结果,因为参与者并没有使用他们可以使用的所有功能[
坚持者和非坚持者的用户行为之间的显著差异(即,坚持者每节课的登录次数更多,下载的正念练习更多,查看的短信比不坚持者多)表明,坚持者不仅在整个干预过程中有更强的使用耐力,而且与不坚持者相比,他们对干预的投入程度更高。这反映了一项发现,即追随者对干预表现出更多的参与[
对于坚持和不坚持的人来说,每节课查看的反馈消息的平均数量低于1,这表明并不是所有的反馈消息都被查看了。在我们的发展研究中,参与者认为接受反馈是基于网络的干预最需要和最期望的特征,而提供支持已被证明对基于网络的干预的有效性有积极的影响[
我们分析了20名参与者在3个不同课程上的使用模式,为我们提供了有用的见解。这种更定性的分析证实了我们关于用户行为的定量结果:用户总体上更投入,他们使用更多的会话,花更多的时间在干预上。此外,对使用模式的分析表明,早期不坚持者、晚期不坚持者和坚持者之间可能存在差异,其中晚期不坚持者在会话次数上与坚持者更相似,但会话持续时间更短,这与早期不坚持者更相似。这似乎符合我们的假设,即不服从的早期和晚期原因是不同的。晚期非坚持者可能与坚持者更相似,他们可能更容易被说服成为坚持者,而干预可能根本不适合早期非坚持者。这应该在未来的研究中进行调查。
通过识别坚持者和非坚持者之间的差异,就有可能筛选出这些错误的模式,并识别出有可能成为不坚持者的参与者。这为干预提供了机会,例如,通过通知这些参与者他们的使用模式增加了不遵守的可能性,并建议更合适的使用模式。这种对行为的监控和自我监控以及对不同行为提供建议的结合被认为是行为改变的说服策略[
的使用模式的深入分析
在这项研究中,我们使用了基于网络的干预本身的日志数据。这使我们能够识别特定参与者的行为,并将其与参与者是否坚持干预联系起来。其他研究也提倡使用Google分析,例如[
本研究的一个局限性是,我们在没有积极参与的情况下分析和解释了测井数据。我们没有问参与者为什么他们使用干预的方式。这些信息可能使解释数据和检查我们的解释是否正确变得更容易。另一方面,重要的是使用客观的日志数据,而不是依赖于参与者如何陈述他们使用干预的主观度量,因为关于使用情况的主观数据可能不太准确。另一个限制是概括性问题。我们的研究使用了一项预防抑郁症干预措施的数据,主要由受过高等教育的荷兰女性使用。此外,我们只调查了这些参与者中的一小部分样本的使用模式。观察到的使用模式可能是特定于使用这种干预措施的群体的。然而,许多干预措施,特别是心理健康干预措施,具有类似的特征[
在实时使用模式分析的基础上,研究干预在使用过程中是否有用和可行,是一个有趣的研究领域。较早的步骤可能是确定与坚持有关的使用模式,并以这种方式设计或重新设计干预措施以促进这些使用模式。未来研究的另一个领域是研究一种更实用的方法,以确定可能影响或预测依从性的参与者特征,遵循说服分析方法[
总之,我们可以说,将测井数据与干预措施参与者的基线特征相结合,为重新设计该干预措施和一般基于网络的干预措施提供了宝贵的经验教训。首先,虽然被调查者的特征可以显著预测依从性,但其预测价值很小。因此,我们应该研究对参与者进行分类的其他方法,以对个体差异如何影响依从性做出有用的预测。其次,重要的是设计基于web的干预措施,以促进干预措施中所有功能的遵守和使用。一种可能性是一个更智能的系统,它可以记录参与者当前的使用模式,并在必要时进行干预,例如,通过提供尚未访问的功能的反馈或链接。
家长研究的描述。
五种干预因素的详细描述。
用于分析使用模式的受访者特征。
用户操作,每个参与者每节课的持续时间和会话之间的时间。
conet - ehealth检查表V1.6.2 [
接受与承诺疗法
方差分析
流行病学研究中心抑郁症量表
医院焦虑抑郁量表
随机对照试验
短消息业务
作者参与了基于网络的干预措施“充分生活”的开发。