Testing Usability and Acceptability of a Web Application to Promote Physical Activity (iCanFit) Among Older Adults
Notice bibliographique
Résumé
BACKGROUND: Most older Americans do not exercise regularly and many have chronic conditions. Among an increasing number of fitness mobile and Web apps, few are designed for older adults with chronic conditions despite high ownership rates of mobile tools and Internet access in this population. We designed a mobile-enabled Web app, iCanFit, to promote physical activity in this population. OBJECTIVE: This study aimed to test the usability and acceptability of iCanFit among older adults in a community setting. METHODS: A total of 33 older adults (aged 60 to 82 years) were recruited from communities to test iCanFit. Of these 33, 10 participants completed the usability testing in a computer room of a senior community center. A research assistant timed each Web application task and observed user navigation behavior using usability metrics. The other 23 participants used the website on their own devices at home and provided feedback after 2-3 weeks by completing a user-experience survey assessing ease of use, helpfulness, and satisfaction with iCanFit. RESULTS: Participants completed all 15 tasks on the iCanFit site in an average of 31 (SD 6.9) minutes; some tasks required more time or needed assistance. Participants' comments were addressed to improve the site's senior friendliness and ease of use. In the user-experience survey, participants reported high levels of usefulness and satisfaction. More than 56% (13/23) of participants indicated they would continue using the program and recommend it to their families or friends. CONCLUSIONS: Testing usability and acceptability is a very important step in developing age-appropriate and user-friendly Web apps, especially for older adults. Testing usability and acceptability in a community setting can help reveal users' experiences and feedback in a real-life setting. Our study suggested that older adults had a high degree of acceptance of iCanFit and could use it easily. The efficacy trial of iCanFit is currently underway.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».