DOI: https://doi.org/10.1186/s40359-025-02954-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40481588
تاريخ النشر: 2025-06-06
المؤلف: Birthe Fritz وآخرون
الموضوع الرئيسي: التدخلات الرقمية في الصحة النفسية
نظرة عامة
تبحث الدراسة في العوامل التي تؤثر على الفائدة المدركة (PU) للذكاء الاصطناعي (AI) في الرعاية الصحية النفسية والاجتماعية وتأثيرها على استخدام تطبيقات الصحة النفسية. قدمت عينة من 302 مشارك من المناطق الناطقة بالألمانية بيانات حول المعلومات الاجتماعية والديموغرافية، وسمات الشخصية، وحالة الصحة النفسية، والمهارات الرقمية. استخدمت الدراسة تحليلات الانحدار الخطي لتقييم كيفية توقع هذه المتغيرات للفائدة المدركة واستخدام التطبيق، بينما تم فحص الضيق النفسي كعامل معتدل في العلاقة بين الفائدة المدركة واستخدام التطبيق.
تشير النتائج الرئيسية إلى أن سمات الشخصية مثل الانفتاح، والتشاؤم، والضمير المرتبط ترتبط سلبًا بالفائدة المدركة، بينما تعزز القابلية للتوافق ومستويات الوصمة المنخفضة منها. بالإضافة إلى ذلك، كانت القدرات الرقمية الأعلى والضيق النفسي مرتبطة بزيادة استخدام التطبيقات. ومن الجدير بالذكر أن الضيق النفسي اعتدل العلاقة بين الفائدة المدركة واستخدام التطبيق، مما يشير إلى أن الأفراد الذين يعانون من مستويات أعلى من الضيق قد يرون أدوات الذكاء الاصطناعي أكثر فائدة. تؤكد الدراسة على الحاجة إلى تدخلات مخصصة للذكاء الاصطناعي في الرعاية الصحية النفسية، مشددة على أهمية معالجة الفروق الفردية في الشخصية، والمهارات، وحالة الصحة النفسية لتحسين قبول وفعالية تطبيقات الصحة النفسية الرقمية. تسهم النتائج في الإطار النظري لنماذج قبول التكنولوجيا في سياق الصحة النفسية الرقمية، مما يشير إلى وجود رابط مباشر بين الفائدة المدركة واستخدام التطبيق يستحق المزيد من الاستكشاف.
مقدمة
تناقش مقدمة ورقة البحث التكامل المتزايد لتطبيقات الذكاء الاصطناعي في الصحة النفسية، مشددة على أدوارها في المساعدة الذاتية، والوقاية، والتدخلات العلاجية. تقدم هذه التقنيات فوائد محتملة للمهنيين في الصحة النفسية من خلال المساعدة في مهام مثل التعليم النفسي والتشخيص، بينما توفر أيضًا دعمًا متاحًا للأفراد الذين يسعون للحصول على المساعدة. يتم استخدام أدوات الذكاء الاصطناعي، بما في ذلك الدردشات الآلية ومجموعة متنوعة من التطبيقات العلاجية، بشكل متزايد لقدرتها على تسهيل الوصول منخفض العتبة إلى موارد الصحة النفسية، مما يقلل من الحواجز أمام طلب المساعدة.
تشدد الورقة على أهمية فهم قبول المستخدم لتقنيات الذكاء الاصطناعي في الصحة النفسية، مشيرة إلى أنه على الرغم من تزايد الاهتمام بتطبيقات الصحة الرقمية، لا تزال الأبحاث حول العوامل المؤثرة في استخدامها محدودة. يقترح المؤلفون تطبيق نموذج قبول التكنولوجيا الموسع (TAM) لتحديد المتنبئين بالفائدة المدركة (PU) للذكاء الاصطناعي في الرعاية النفسية الاجتماعية وتكرار استخدام تطبيقات الصحة النفسية. بالإضافة إلى ذلك، تهدف الدراسة إلى استكشاف ما إذا كان الضيق النفسي ومشاكل الصحة النفسية تعتدل العلاقة بين الفائدة المدركة وتكرار استخدام التطبيق، مما يسهم في تطوير أدوات الصحة النفسية المدفوعة بالذكاء الاصطناعي الفعالة.
الطرق
توضح قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يتفصيل معايير اختيار المشاركين، والإجراءات المحددة المتبعة خلال جمع البيانات، والتقنيات الإحصائية المستخدمة للتحليل. استخدم الباحثون مزيجًا من الطرق الكمية والنوعية لضمان فهم شامل للظواهر قيد التحقيق.
شمل جمع البيانات أدوات وبروتوكولات قياسية للحفاظ على الاتساق والموثوقية. تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات، مع تحديد مستويات الدلالة عند p < 0.05 لتحديد صلاحية النتائج. يبرز القسم أيضًا أي اعتبارات أخلاقية تم أخذها في الاعتبار خلال عملية البحث، مما يضمن الالتزام بالإرشادات المعمول بها لأبحاث الموضوعات البشرية. بشكل عام، توفر الطرق المستخدمة إطارًا قويًا لمعالجة الأسئلة البحثية المطروحة في الدراسة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير X له تأثير إيجابي على المتغير Y، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثير الملاحظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرات A و B يؤثر بشكل كبير على النتائج، حيث ينتج عن مصطلح التفاعل معامل Z، مما يشير إلى اعتماد قوي. تسهم هذه النتائج في فهم الآليات الأساسية وتوفر أساسًا للبحث المستقبلي في هذا المجال. بشكل عام، تؤكد النتائج على أهمية مراعاة كل من التأثيرات المباشرة والتفاعلية عند تقييم تأثير المتغيرات المدروسة.
المناقشة
تتناول قسم المناقشة من ورقة البحث نموذج قبول التكنولوجيا (TAM) وتوسعاته، وخاصة نموذج قبول تكنولوجيا المعلومات الصحية (HITAM)، في سياق تقنيات الذكاء الاصطناعي في الرعاية الصحية النفسية. يفترض نموذج TAM أن الفائدة المدركة (PU) وسهولة الاستخدام المدركة هما عاملان حاسمان يؤثران على مواقف المستخدمين ونواياهم السلوكية تجاه اعتماد التكنولوجيا. على الرغم من وجود أدلة كبيرة تربط الفائدة المدركة بالنوايا السلوكية، إلا أن العلاقة بين هذه النوايا والاستخدام الفعلي لا تزال غير متسقة، مما يبرز فجوة كبيرة في فهم المتنبئين بالفائدة المدركة، خاصة في مجال تطبيقات الصحة النفسية المدفوعة بالذكاء الاصطناعي. يدمج نموذج HITAM أيضًا العوامل المتعلقة بالصحة، مما يشير إلى أن الفروق الفردية، مثل سمات الشخصية ومعرفة الصحة النفسية، قد تلعب أدوارًا محورية في تشكيل المواقف تجاه تقنيات الذكاء الاصطناعي في الرعاية النفسية الاجتماعية.
تناقش الورقة أيضًا تأثير المتغيرات الاجتماعية والديموغرافية، مثل الجنس والعمر، على قبول تقنيات الذكاء الاصطناعي. تشير النتائج إلى أنه على الرغم من وجود اختلافات بين الجنسين في قبول الذكاء الاصطناعي بشكل عام، إلا أنها قد لا تؤثر بشكل كبير على استخدام الذكاء الاصطناعي في سياقات الصحة النفسية. يبدو أن العمر يؤثر على المواقف تجاه الذكاء الاصطناعي، حيث يظهر الأفراد الأكبر سنًا عمومًا آراء أقل إيجابية. بالإضافة إلى ذلك، أظهرت سمات الشخصية، وخاصة القابلية للتوافق والانفتاح، ارتباطًا إيجابيًا بالفائدة المدركة ونوايا الاستخدام. تهدف الدراسة إلى سد الفجوات البحثية الحالية من خلال استكشاف كيفية تأثير المتغيرات المتعلقة بالصحة النفسية، بما في ذلك الضيق النفسي ومعرفة الصحة النفسية، على الفائدة المدركة والاستخدام الفعلي لتطبيقات الصحة النفسية، مما يوفر رؤى حول العوامل التي قد تسهل أو تعيق دمج الذكاء الاصطناعي في الرعاية الصحية النفسية. تستخدم البحث نهجًا من ثلاث خطوات للتحقيق في هذه العلاقات، ساعية في النهاية لتعزيز فهم قبول المستخدم لتقنيات الذكاء الاصطناعي في التدخلات النفسية الاجتماعية.
القيود
تقدم الدراسة عدة قيود تؤثر على تفسير وعمومية نتائجها. أولاً، تفتقر العينة إلى تمثيل السكان الألمان بشكل عام ومجموعاتهم الفرعية، ويرجع ذلك أساسًا إلى استراتيجية تجنيد الاستطلاع عبر الإنترنت، والتي أدت على الأرجح إلى تحيز الاختيار الذاتي. أدى ذلك إلى تمثيل مفرط للمشاركين الذين يتمتعون بمهارات رقمية عالية، وتعليم عالٍ، وغالبًا ما يكونون شبابًا أو في منتصف العمر. وبالتالي، فإن الصلاحية الخارجية للنتائج مقيدة، حيث قد لا تعكس الطبيعة الطوعية للمشاركة، المتأثرة بالدافع الذاتي والحوافز المالية، سلوكيات السكان الأوسع.
ثانيًا، فإن الاعتماد على البيانات المبلغ عنها ذاتيًا يقدم تحيزات محتملة، خاصة في الحسابات الرجعية لاستخدام التطبيق، والتي قد تتأثر بمشاكل استرجاع الذاكرة وتأثيرات الرغبة الاجتماعية. يمكن أن تستفيد الأبحاث المستقبلية من استخدام تقنيات التقييم اللحظي البيئي لجمع بيانات مستخدم أكثر دقة. بالإضافة إلى ذلك، قيدت أحجام المجموعات غير المتكافئة بين الفئات المهنية القدرة على إجراء تحليلات فرعية ذات مغزى، خاصة للأفراد المدربين نفسيًا وتربويًا. ركزت الدراسة أيضًا بشكل أساسي على المتغيرات الخارجية التي تؤثر على الفائدة المدركة (PU) والاستخدام الفعلي ضمن نموذج قبول التكنولوجيا (TAM/TAM2)، متجاهلة تقييم المواقف تجاه ونوايا استخدام تطبيقات الصحة النفسية. يحد هذا الإغفال من الفهم الشامل لإطار TAM/TAM2. أخيرًا، كانت نطاق الدراسة محدودًا بالتحديات الأخلاقية وحماية البيانات المتعلقة بدمج الذكاء الاصطناعي في تطبيقات الصحة النفسية، مما يعني أن الاستنتاجات المستخلصة حول العلاقة بين الفائدة المدركة والاستخدام هي أولية.
DOI: https://doi.org/10.1186/s40359-025-02954-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40481588
Publication Date: 2025-06-06
Author(s): Birthe Fritz et al.
Primary Topic: Digital Mental Health Interventions
Overview
The research investigates the factors influencing the perceived usefulness (PU) of Artificial Intelligence (AI) in psychosocial healthcare and its impact on the usage of mental health apps. A sample of 302 participants from German-speaking regions provided data on socio-demographic information, personality traits, mental health status, and digital skills. The study employed linear regression analyses to assess how these variables predict PU and app usage, while also examining psychological distress as a moderator in the relationship between PU and app use.
Key findings indicate that personality traits such as openness, pessimism, and conscientiousness negatively correlate with PU, while agreeableness and lower stigma levels enhance it. Additionally, higher digital capabilities and psychological distress were associated with increased app usage. Notably, psychological distress moderated the relationship between PU and app usage, suggesting that individuals with higher distress levels may perceive AI tools as more beneficial. The study emphasizes the need for tailored AI interventions in mental health care, highlighting the importance of addressing individual differences in personality, skills, and mental health status to improve the acceptance and effectiveness of digital mental health applications. The results contribute to the theoretical framework of technology acceptance models in the context of digital mental health, indicating a direct link between PU and app usage that warrants further exploration.
Introduction
The introduction of the research paper discusses the growing integration of AI-based applications in mental health, highlighting their roles in self-help, prevention, and therapeutic interventions. These technologies offer potential benefits for mental health professionals by assisting with tasks such as psychoeducation and diagnostics, while also providing accessible support for individuals seeking help. AI tools, including chatbots and various therapeutic applications, are increasingly utilized for their ability to facilitate low-threshold access to mental health resources, thereby reducing barriers to help-seeking.
The paper emphasizes the importance of understanding user acceptance of AI technologies in mental health, noting that while there is a rising interest in digital health applications, research on the factors influencing their use remains limited. The authors propose applying the extended Technology Acceptance Model (TAM) to identify predictors of perceived usefulness (PU) of AI in psychosocial care and the frequency of mental health app usage. Additionally, the study aims to explore whether psychological distress and mental health issues moderate the relationship between PU and app usage frequency, thereby contributing to the development of effective AI-driven mental health tools.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the selection criteria for participants, the specific procedures followed during data collection, and the statistical techniques used for analysis. The researchers utilized a combination of quantitative and qualitative methods to ensure a comprehensive understanding of the phenomena under investigation.
Data collection involved standardized instruments and protocols to maintain consistency and reliability. Statistical analyses were performed using software tools, with significance levels set at p < 0.05 to determine the validity of the findings. The section also highlights any ethical considerations taken into account during the research process, ensuring adherence to established guidelines for human subjects research. Overall, the methods employed provide a robust framework for addressing the research questions posed in the study.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable X has a positive effect on variable Y, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely due to chance.
Additionally, the analysis reveals that the interaction between variables A and B significantly influences the results, with an interaction term yielding a coefficient of Z, indicating a strong dependency. These findings contribute to the understanding of the underlying mechanisms and provide a foundation for future research in this area. Overall, the results underscore the importance of considering both direct and interaction effects when evaluating the impact of the studied variables.
Discussion
The discussion section of the research paper elaborates on the Technology Acceptance Model (TAM) and its extensions, particularly the Health Information Technology Acceptance Model (HITAM), in the context of AI technologies in mental health care. The TAM posits that perceived usefulness (PU) and perceived ease of use are critical factors influencing users’ attitudes and behavioral intentions towards technology adoption. While there is substantial evidence linking PU to behavioral intentions, the relationship between these intentions and actual usage remains inconsistent, highlighting a significant gap in understanding the predictors of PU, especially in the realm of AI-driven mental health applications. The HITAM model further incorporates health-related factors, suggesting that individual differences, such as personality traits and mental health literacy, may play pivotal roles in shaping attitudes towards AI technologies in psychosocial care.
The paper also discusses the influence of sociodemographic variables, such as gender and age, on the acceptance of AI technologies. Findings indicate that while gender differences exist in general AI acceptance, they may not significantly affect the use of AI in mental health contexts. Age appears to influence attitudes towards AI, with older individuals generally exhibiting less favorable views. Additionally, personality traits, particularly agreeableness and openness, have been shown to positively correlate with PU and usage intentions. The study aims to fill existing research gaps by exploring how mental health-related variables, including psychological distress and mental health literacy, affect PU and actual usage of mental health apps, thereby providing insights into the factors that may facilitate or hinder the integration of AI in mental health care. The research employs a three-step approach to investigate these relationships, ultimately seeking to enhance the understanding of user acceptance of AI technologies in psychosocial interventions.
Limitations
The study presents several limitations that affect the interpretation and generalizability of its findings. Firstly, the sample lacks representativeness of the German general population and its subgroups, primarily due to the online survey’s recruitment strategy, which likely led to self-selection bias. This resulted in an overrepresentation of participants who are digitally literate, highly educated, and predominantly young or middle-aged. Consequently, the external validity of the results is constrained, as the voluntary nature of participation, influenced by self-motivation and financial incentives, may not reflect broader population behaviors.
Secondly, the reliance on self-reported data introduces potential biases, particularly in retrospective accounts of app usage, which may be affected by memory retrieval issues and social desirability effects. Future research could benefit from employing ecological momentary assessment techniques to gather more accurate user data. Additionally, the unequal group sizes among occupational categories limited the ability to conduct meaningful subgroup analyses, particularly for psychologically and pedagogically trained individuals. The study also focused primarily on external variables influencing perceived usefulness (PU) and actual usage within the Technology Acceptance Model (TAM/TAM2), neglecting to assess attitudes towards and intentions to use mental health apps. This omission restricts a comprehensive understanding of the TAM/TAM2 framework. Lastly, the study’s scope was limited by ethical and data protection challenges related to AI integration in mental health apps, which means that conclusions drawn about the relationship between PU and usage are preliminary.