A Comparison of Two Methods to Assess the Usage of Mobile Hand-Held Communication Devices
Notice bibliographique
Résumé
The purposes of this study were to: 1) examine agreement between self-reported measures of mobile device use and direct measures of use, and 2) understand how respondents thought about their device use when they provided self-reports. Self-reports of six categories of device use were obtained using a previously developed questionnaire, and direct measures of use were collected using a custom logging application (n = 47). Bland-Altman analyses were used to examine agreement between the two measurement approaches. Interviews targeted participants' experiences completing the device use section of the questionnaire. Self-reports of use on a typical day last week overestimated logged use. Overestimates tended to be low at low average usage times, and became more variable as usage time increased. Self-reports of use yesterday also exceeded logged use, however the degree of overestimation was less than for a typical day last week. Six themes were identified from interviews, including the thought process used by participants to arrive at usage and the ease of reporting usage. It is challenging for respondents of this questionnaire to provide accurate self-reports of use. The source of this challenge may be attributed to the intrinsic difficulty of estimating use, partly due to the multiple functions of the devices as well as the variability of use both within a day and a week. Research investigating the relationship between device use and health outcomes should include a logging application to examine exposure simultaneously with self-reports to better understand the sources of hazardous exposures.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».