“Let’s get Wasted!” and Other Apps: Characteristics, Acceptability, and Use of Alcohol-Related Smartphone Applications
Notice bibliographique
Résumé
BACKGROUND: Smartphone applications ("apps") offer a number of possibilities for health promotion activities. However, young people may also be exposed to apps with incorrect or poor quality information, since, like the Internet, apps are mostly unregulated. Little is known about the quality of alcohol-related apps or what influence they may have on young people's behavior. OBJECTIVE: To critically review popular alcohol-related smartphone apps and to explore young people's opinions of these apps, their acceptability, and use for alcohol-related health promotion. METHODS: First, a content analysis of 500 smartphone apps available via Apple iTunes and Android Google Play stores was conducted. Second, all available blood alcohol concentration (BAC) apps were tested against four individual case profiles of known BAC from a previous study. Third, two focus group discussions explored how young people use alcohol-related apps, particularly BAC apps. RESULTS: 384 apps were included; 50% (192) were entertainment apps, 39% (148) were BAC apps, and 11% (44) were health promotion and/or stop drinking-related apps. When testing the BAC apps, there was wide variation in results, with apps tending to overestimate BAC scores compared with recorded scores. Participants were skeptical of the accuracy of BAC apps, and there was an overall concern that these apps would be used as a form of entertainment, further encouraging young people to drink, rather than reduce their drinking and risk taking. CONCLUSIONS: The majority of popular alcohol-related apps encouraged alcohol consumption. Apps estimating blood alcohol concentration were widely available but were highly unreliable. Health departments and prominent health organizations need to endorse alcohol smartphone apps that are accurate and evidence-based to give specific apps credibility in the ever-expanding market of unregulated apps.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».