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[ 36]。本研究采用分数因子实验随机对照试验(RCT;NTR3007)设计，其中使用8个干预组研究5个成分对基于网络干预的依从性和临床有效性的影响。这种设计需要每个组件创建2个级别，每个组件的每个级别出现在一半的干预臂中。参与者为有轻至中度抑郁症状的成年人(流行病学研究中心抑郁量表>9和<39;鉴定( 37])，他们完成了我们的在线筛选程序。在目前的研究中，使用了所有开始第一节课的参与者的数据。因此，我们使用了父母研究中239名参与者中的206名的数据。参与者的详细信息，程序，和设计的家长研究可以找到 多媒体附录1．

根据Van Gemert-Pijnen等人[ 10，我们将基于网络的干预视为它所提供的内容、系统和服务的整体。在这个概念中，交互不是内容、系统或服务，而是基于web的干预的一个组成部分，根据不同的观点，它可以被视为属于任何一类。随后，我们将根据这些范畴描述干预，即充分生活。在研究期间，除了修复一些小错误外，没有对基于web的干预进行任何更改。

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。 38]和正念[ 39， 40]，并以自助书籍的形式出版[ 41]。干预措施已被证明可以有效地减少抑郁和焦虑症状，作为一个小组课程，并作为一个自助课程与电子邮件支持[ 42- 44]。基于网络的干预包括按时间顺序的9节课，每节课由心理教育材料和练习组成。这9节课可以分为4个部分:第一部分(第1课)侧重于形成课程基础的观点;第二部分(第2课和第3课)着重于了解应对策略、它们的短期有效性和缺乏长期有效性;第三部分(第4-6课)侧重于学习接受痛苦的技能;第四部分(7-9课)侧重于将所学课程应用于日常生活。参与者被要求完成线上和线下的练习。在线练习包括自由文本问题，多项选择题，以及在网络日记中监控行为等。离线练习包括练习正念，执行选定的动作，以及练习认知融合等。

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[ 10]，这个过程在其他地方也有描述[ 45]。当登录到基于web的干预时，参与者从他们的座舱开始( 图1）.从那里，他们可以访问干预的所有元素。所有参与者都包含的元素是(1)课程，(2)完成练习的概述，(3)反馈，(4)日记，(5)成功故事，(6)我的帐户，(7)帮助，以及(8)一个“反应”按钮，允许受访者对应用程序发表评论。

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 多媒体附录2对于反馈的确切时刻(支持组件的级别不同)。参与者被要求每周完成1节课，但总共有12周的时间来完成9节课。参与者可以自由选择一节课还是多节课。据估计，参与者每周平均花费3小时进行干预(在线和离线活动相结合)。

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)。

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[ 37， 46])，用医院焦虑抑郁量表(HADS-A;7项，得分0-21;分数越高=焦虑症状越多[ 47， 48])。认知需求采用认知需求短表(18项，得分-54-54;分数越高=认知需求越大[ 32])。归属需要采用归属需要量表(10个项目，平均得分1-7;更高的分数=更需要归属[ 49])。互联网使用情况是用一项来衡量的(比如，“你平均每天使用互联网多少小时?”)。互联网体验是通过以下10个问题来衡量的:“你曾经使用过以下互联网应用程序吗?”这10个项目集中在搜索引擎、网络邮件、网上购物、网上银行、在线社区、照片和视频网站、(微)博客、聊天、广播或音乐网站以及在线(健康)课程的使用上。该分数是通过计算每隔一段时间至少回答一次的项目的数量获得的(范围为0-10)。

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 多媒体附录3对于这些选定的参与者的人口统计，随机分组和课程的概述。在这些参与者中，我们检查了第2课(所有选定的参与者)、第5课(晚期非坚持者和坚持者)和第8课(仅坚持者)中的所有行为，以确定新出现的使用模式。我们选择检查这些课程，因为它们反映了干预内容的三个主要部分，因为我们想避免第一课和最后一课在这些课程中预期的不规则使用模式;我们希望参与者在第一节课中更多地探索和了解应用程序，最后一节课比其他课程更短(即更少的文本和练习)。对于每节课和每个被选中的参与者，我们记录了他们从开始调查课程到开始下一节课之间的所有行为。此外，还导出了会话的数量(登录和后续操作直到注销操作或30分钟的不活动时段被视为1个会话)，以及这些会话的总持续时间和会话之间的时间。此外，用于完成所有练习和课程内容的会话数也被计算在内。我们选择只对数据的一小部分子样本进行分析，因为这种探索性分析的重点是与干预措施的使用特征相关的模式识别。此外，由于缺乏分析日志文件的软件，这个选择是实用的，所有的分析都是手工完成的。

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 表1．坚持者和非坚持者在种族上存在差异(非荷兰种族的参与者更经常坚持;χ²₁= 5.5, P=.02)和互联网使用(非坚持者平均每天使用互联网的时间明显更长; F_1203年= 3.918, P= .049)。女性更常坚持，但这没有统计学意义(χ²₁= 3.7, P= . 05)。非从众者有更高的归属感需求，但这也没有达到统计学意义( F_1204年= 3.133, P=。08)。

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)。 图2显示完成某一课程的参与者的百分比。从这个图中可以看出，最大的不坚持者从第2课开始不坚持，其次是第3课和第6课。此外，我们可以看到26.2%(54/208)的参与者是早期不坚持者(即没有开始第5课)，16.6%(34/208)的参与者是晚期不坚持者(即开始第5课但没有开始第9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 表1作为预测者输入。 表2表明模型中的重要预测因子是性别和认知需求，其中女性和认知需求较高的女性增加了坚持干预的几率。线性回归预测基线特征达到的教训产生了显著的模型(χ²₁₂= 28.9, P= 04;考克斯&斯内尔 R ²= 0.132, Nagelkerke R ²= 0.177)，但没有显著的预测变量(数据未显示)。

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( 表3）.总体而言，参与者平均每节课登录4次，但每节课开始时，坚持者登录的次数明显多于不坚持者( F_1204年= 20.710; P<措施)。其他不同之处在于，坚持研究的人比不坚持研究的人下载了更高比例的可能独特的正念练习( F_1204年= 5.888; P=.02)，在包含短信指导的条件下，坚持者比不坚持者看到的可能的短信比例更大( F_1103年= 7.668; P= .007)。为了探索干预成分是否会影响用户行为的频率，我们比较了在高定制成功故事和低定制成功故事的条件下，参与者之间看到的独特成功故事的百分比，发现没有显著差异。然而，在人工支持和自动支持的情况下，查看的唯一反馈信息总数存在差异(整个组:人工支持10.7条查看的唯一反馈信息;自动支持5.9唯一消息查看; F_1204年= 37.322, P<.001)，以及对于坚持者和非坚持者来说，每节课查看的唯一消息数量的条件之间(坚持者:每节课人工支持1.7条，每节课自动支持0.9条， F_1116年= 93.604, P<措施;非拥护者:每节课1.1人支持，每节课0.6人支持， F₈₆= 23.860, P<措施)。

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。 多媒体附录4呈现每个参与者每节课的所有动作，组织成会议。此外, 多媒体附录4展示每节课的持续时间，每节课之间的时间，以及每个参与者每节课的总持续时间和每节课之间的时间的概述。关于早期非坚持者、晚期非坚持者和坚持者的信息摘要见 表4．从这张表中我们可以看出，这三个群体的使用模式似乎存在差异。首先，早期的不坚持者比晚期的不坚持者和坚持者使用更少的课程和花费更少的时间，并且比坚持者使用更少的课程来完成课程。第二，晚些时候不坚持的人比坚持的人总时间更短，这种差异在第5课中更为明显。最后，坚持者在后面的课程中使用更少的课程(总共和完成一节课)，但是课程的持续时间和课程之间的时间没有明显的趋势，尽管他们在第5课中使用了更高的时间。在看数据的时候 多媒体附录4，我们观察到一些值得注意的模式:

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，[ 15， 19， 22])，这是我们在开发过程中考虑到的预期群体。当观察坚持者和非坚持者之间的差异时，我们发现，尽管我们只接触到一小部分非荷兰裔的参与者;这些参与者往往是坚持者。其他人则强调了接触非荷兰族裔的重要性和挑战[ 13]。这项研究表明，如果我们能够成功地接触到这一人群，可能更容易让他们参与基于网络的干预，但这需要进一步的研究。此外，不坚持上网的人通常比坚持上网的人每天上网的时间更长。这一发现与其他研究相似[ 19， 50这一点值得更多的研究。一种可能的解释是，互联网使用量不同的人，对网络系统的期望也不同，在这种情况下，对网络干预的期望也不同。也许这种基于网络的干预并不完全符合普通互联网用户的网络应用的心理模型;例如，基于web的干预可能需要更多的使用，而不是浏览信息，在短时间内浏览许多页面。我们的逻辑回归模型预测依从性从参与者的特征相对较低的预测能力(Nagelkerke R ²=0.177)，其中只有女性和对认知有更高需求的人才会增加坚持干预的几率。女性更有可能坚持的发现反映在更多的女性坚持者与不坚持者的发现中(尽管这在统计上不显著)，这可能反映了我们选择让更多的女性参与到发展过程中。此外，它还加强了考虑目标群体很重要的假设。如果我们想要更多地接触男性并让他们参与进来，我们就应该利用他们的投入来重新设计干预措施。第二个重要的预测因素是认知需求，这支持了我们的假设，即更高的认知需求可能有利于完成基于网络的干预，这种干预主要依赖于文本和认知努力来处理信息。这意味着，如果干预不仅针对认知需求高的参与者，还应注意使干预更适合认知需求低的参与者。尽管这个模型和其他研究[ 14， 19， 51虽然个体差异在依从性中起作用，但我们测量的特征的预测价值仍然很小。另一种不同的方法被用于说服技术领域，根据个性特征定制有说服力的信息已被证明是有效的[ 52]。此外，在这一领域中，为什么某些人被说服而另一些人没有被说服的问题已经从一个更实际的角度进行了调查:通过从实际行为数据中生成个人说服概况，可以推断并采用最有效的策略来说服这个人[ 53]。从那里，人们可以理论化这些说服概况的来源，以及它们是否可以提前测量。这可能是在基于网络的干预和电子卫生领域解决这一问题的一种实用方法。

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)[ 36]。This percentage is in-line with the average adherence found in a systematic review [ 16]。数据显示，大多数没有坚持干预的参与者在前3节课中开始不坚持(55%，48/88参与者开始第一节课，但没有坚持干预)。这可能反映了干预的内容，其中第一堂课关注的是参与者是否真的愿意接受治疗，接下来的两节课关注的是意识到他们使用的应对策略是无效的。这可能是非常对抗的，因此可能解释了这些课程的高度不遵守。有趣的是，也有相当多的参与者在第6课开始不坚持。这一课是学习接受痛苦的新技能部分的最后一课，这一课的重点是观察自我。开设这门课程的咨询师知道，对许多参与者来说，这是一门很难的课程，这也许可以解释为什么这门课上有那么多不坚持的人。对于这种基于网络的干预的重新设计，这一发现表明，这可能是干预应该提供额外动力的时刻，例如，通过更多的互动，或者仅仅通过承认已知这是一个很难坚持项目的时刻。根据支持性问责模型，人力支持可以通过提供适量(针对个人量身定制)的支持来增加这些时候的依从性[ 54]。

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[ 22- 30.]。似乎作为治疗的组成部分的特征(例如，本研究中的正念练习)比其他特征(成功故事，短信指导和电影)使用得更多。在设计或重新设计基于web的干预措施时要记住这一点:要意识到并非应用程序中的所有功能都将被使用，并尝试将功能集成到干预措施中，而不是将它们添加到干预措施中。例如，成功的故事可以通过插入到每节课中来更多地融入到干预中。这与Krukowski等人的建议一致[ 30.鼓励或突出某些功能以增加使用，并在理想情况下改善结果。

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[ 36]。在课程中更高的参与度可能有利于干预的有效性，因为更多地接触基于网络的干预已被证明可以提高有效性(例如，[ 17， 30.])。对于这个特定的干预，建议在1次以上的登录中完成一节课，因为内容需要反复练习(例如，正念和日记练习)，并且在完成练习之前需要时间来反思内容。然而，参与者可以在一次登录中完成完整的课程。

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[ 4]。这使得并非所有反馈信息都被浏览的发现更加引人注目。一种解释可能是，开发人员认为这个功能是治疗中不可或缺的一部分，但它的实现方式并没有反映出这种不可或缺的本质;反馈信息呈现在系统的不同部分，而不是课程(治疗的主要部分)，参与者可以在不查看反馈信息的情况下继续下一节课。此外，人工支持条件下的参与者比自动支持条件下的参与者查看了更多的反馈信息。这一发现并不令人惊讶，因为自动支持条件每节课只包括一条消息，而人工支持条件包括提出问题和要求更多反馈的可能性。有趣的是，关于这种干预的依从性和有效性的研究[ 36]并没有显示出在这些情况下的随访效果有显著差异，即使咨询师给出了反馈，并给出了更多的反馈信息(如本研究所示)。这两项发现表明，有必要进一步调查支持和反馈在基于网络的干预措施中的作用。

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[ 55， 56]。另一种干预方法可能是为参与者提供更多或不同的互动，以提高依从性和有效性[ 54]。虽然目前的研究提供了一种干预的方法，但具体参与者在当时需要采取的具体行动应该是未来研究的重点。

的使用模式的深入分析 多媒体附录4，得出了对重新设计这一特定干预措施有用的显著模式。例如，频繁的登录-登录-注销操作之间没有用户操作，这可能是等待反馈的参与者的行为。这一假设得到了一项发现的支持，即这种模式经常发生在参与者完成一节课后，但没有收到反馈。重新设计的选项是提供一个突出的功能“我什么时候能得到反馈?”，计时器可以显示预期的反馈时间。这个功能也可以用来指导参与者使用他们当时没有使用的功能，以支持参与者使用所有的功能，从干预中获益最多。我们看到许多追随者以非常短的第一堂课开始后面的课程。这反映了干预的设置，其中下一节课只有在参与者完成当前课程并在课程开始后的一定时间内才可用。这个计时器在课程一开始就启动，所以第一个简短的会话可以用来启动计时器。许多反馈信息在第一次可用时没有被读取的发现反映了之前的发现，即并非所有反馈信息都被读取，并且可以通过更清楚地表明存在新的反馈信息来改进。应用程序中一个尚未修复的已知错误是，当使用浏览器的后退按钮时，参与者会退出应用程序。 This bug is a likely explanation of the many log-in actions shortly after another.

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[ 57]，但是，尽管这在一般水平上提供了有价值的信息，但不可能确定具体的参与者，这就降低了那些旨在在多种场合使用的基于网络的干预方法的价值。然而，在开发基于web的干预时，指定要记录的重要信息是很重要的。例如，在我们的研究中，会话没有这样记录，这意味着必须手动完成，这是一个乏味的练习。此外，我们在选定的课程中为选定的参与者手动编写了所有会议。虽然这种方法提供了有价值的信息，但并不适用于所有课程的所有参与者，这需要对数据的子集进行分析。需要更先进的方法来利用收集到的所有信息。一种这样的方法可以在Tian等人使用的马尔可夫链中找到[ 58]，尽管这对于打算在更多场合使用的基于网络的干预可能不太可行。另一种方法可能是从机器学习的角度采用模式识别方法，看看是否存在可以自动识别或学习的遵循者和非遵循者的不同模式。

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[ 16]，并达到前面所述的相同的受众。此外，关于依从性设计的含义，常规参与者特征对依从性的有限预测价值以及基于使用模式筛选进行干预的可能性，似乎比仅针对该受众的干预更广泛。

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[ 53]。此外，我们的研究结果表明，不同的课程内容可能需要不同的互动量或模式。这里有一个有趣的研究方向:如何使基于web的干预的内容、系统、服务和交互相互协调以达到最佳匹配?

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。