A Qualitative Analysis of User Experiences With a Self-Tracker for Activity, Sleep, and Diet
Notice bibliographique
Résumé
BACKGROUND: The recent increase in chronic diseases and an aging population warrant the necessity of health self-management. As small electronic devices that track one's activity, sleep, and diet, called self-trackers, are being widely distributed, it is prudent to investigate the user experience and the effectiveness of these devices, and use the information toward engineering better devices that would result in increased efficiency and usability. OBJECTIVE: The aim of this study was to abstract the constructs that constitute the user experiences of the self-tracker for activity, sleep, and diet. Additionally, we aimed to develop and verify the Health Information Technology Acceptance Model-II (HITAM-II) through a qualitative data analysis approach. METHODS: The study group consisted of 18 female college students who participated in an in-depth interview after completing a 3-month study of utilizing a self-tracker designed to monitor activity, sleep, and diet. The steps followed in the analysis were: (1) extraction of constructs from theoretical frameworks, (2) extraction of constructs from interview data using a qualitative methodology, and (3) abstraction of constructs and modeling of the HITAM-II. RESULTS: The constructs that constitute the HITAM-II are information technology factors, personal factors, social factors, attitude, behavioral intention, and behavior. These constructs are further divided into subconstructs to additionally support the HITAM-II. CONCLUSIONS: The HITAM-II was found to successfully describe the health consumer's attitude, behavioral intention, and behavior from another perspective. The result serves as the basis for a unique understanding of the user experiences of HIT.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».