MétaCan
Menu
Retour à la cohorte
Enregistrement W1499929202

SmartBrowse: Design and Evaluation of a Price Transparency Tool for Mobile Web Use

2015· article· en· W1499929202 sur OpenAlexaff
Nithya Sambasivan, Paul Lee, Greg Hecht, Paul M. Aoki, Maria-Ines Carrera, Jenny Chen, Michael Youssefmir, David Cohn, Pete Kruskall, Everett Wetchler, Astrid Twenebowa Larssen

Notice bibliographique

RevueInformation Technologies and International Development · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueICT in Developing Communities
Établissements canadiensImpact
Organismes subventionnairesnon disponible
Mots-clésTransparency (behavior)The InternetMobile phoneMobile WebComputer scienceInternet privacyMobile paymentMobile deviceProxy (statistics)World Wide WebBusinessMobile technologyComputer securityTelecommunicationsPayment
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Mobile data use is on the rise globally. In emerging regions, mobile data is particularly expensive and suffers from a lack of price and data usage transparency, which is needed to make informed decisions about Internet use. To measure and address this problem, we designed SmartBrowse, an Internet proxy system that (1) shows mobile data usage information and (2) provides controls to avoid overspending. In this article, we discuss the results of a 10-week study with SmartBrowse, involving 299 participants in Ghana. Half the users were given SmartBrowse, and the other half were given a regular Internet experience on the same mobile phone platform. Our findings suggest that, compared with the control group, using SmartBrowse led to (1) a significant reduction in Internet credit spend and (2) increased online activity among SmartBrowse users, while (3) providing the same or better mobile Internet user experience. Additionally, SmartBrowse users who were prior mobile data non-users increased their web page views while spending less money than control users. Our discussion contributes to the understanding of how ICTD research with emerging technologies can empower mobile data users, in this case, through increased price and usage transparency.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,021
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,101
Tête enseignante GPT0,297
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformation Technologies and International DevelopmentMême sujetICT in Developing CommunitiesTravaux en français237 207