MétaCan
Menu
Retour à la cohorte
Enregistrement W2134542779 · doi:10.2196/mhealth.3088

An Evaluation of Mobile Health Application Tools

2014· article· en· W2134542779 sur OpenAlexvenueno aff
Preethi R. Sama, Zubin J. Eapen, Kevin P. Weinfurt, Bimal R. Shah, Kevin A. Schulman

Notice bibliographique

RevueJMIR mhealth and uhealth · 2014
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesVerizon
Mots-clésMobile phonemHealthComputer scienceInclusion (mineral)MedicineMultimediaMedical educationPsychologyNursingPsychological intervention

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The rapid growth in the number of mobile health applications could have profound significance in the prevention of disease or in the treatment of patients with chronic disease such as diabetes. OBJECTIVE: The objective of this study was to describe the characteristics of the most common mobile health care applications available in the Apple iTunes marketplace. METHODS: We undertook a descriptive analysis of a sample of applications in the "health and wellness" category of the Apple iTunes Store. We characterized each application in terms of its health factor and primary method of user engagement. The main outcome measures of the analysis were price, health factors, and methods of user engagement. RESULTS: Among the 400 applications that met the inclusion criteria, the mean price of the most frequently downloaded paid applications was US $2.24 (SD $1.30), and the mean price of the most currently available paid applications was US $2.27 (SD $1.60). Fitness/training applications were the most popular (43.5%, 174/400). The next two most common categories were health resource (15.0%, 60/400) and diet/caloric intake (14.3%, 57/400). Applications in the health resource category constituted 5.5% (22/400) of the applications reviewed. Self-monitoring was the most common primary user engagement method (74.8%, 299/400). A total of 20.8% (83/400) of the applications used two or more user engagement approaches, with self-monitoring and progress tracking being the most frequent. CONCLUSIONS: Most of the popular mobile health applications focus on fitness and self-monitoring. The approaches to user engagement utilized by these applications are limited and present an opportunity to improve the effectiveness of the technology.

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)0,020
score de la tête « metaresearch » (Gemma)0,097
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,108

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,097
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,131
Tête enseignante GPT0,527
Écart entre enseignants0,396 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations250
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207