MétaCan
Menu
← Retour à la cohorte
Enregistrement W2135323878 · doi:10.1109/cbms.2013.6627804

Smart-phone application design for lasting behavioral changes

2013· article· en· W2135323878 sur OpenAlexafffund
Eleni Stroulia, Shayna M Fairbairn, Blerina Bazelli, Dylan Gibbs, Robert Lederer, Robert Faulkner, Janet Ferguson-Roberts, Brad Mullen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaPublic Health Agency
Mots-clésPersonalizationBehavior changeComputer sciencePerspective (graphical)Human–computer interactionTheory of planned behaviorDesign scienceKnowledge managementBehavior change methodsPsychological interventionControl (management)PsychologyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

The Smart-Condo interdisciplinary team (including computing science, industrial design, health psychology and occupational therapy) conducts research on putting ICT in the service of health care, focusing on empowering individuals to take control of their health management. This past year, the focus of our activities has been the development of a framework for the design and development of mobile apps to encourage behavioral changes. Grounding our framework the Theory of Planned Behavior and the Intention-Behavior Gap Theory, we explicitly designed all the functions in our applications to influence behavior. From a technical perspective, the applications support personalization, easy data recording and interactive reviewing, and subtle interventions (reminders and personalized information) to help behavior change. The user interface, informed by design theory, is conceived to make the applications engaging and easy to navigate. Bringing these three areas of knowledge together in the design of our apps will enable the systematic construction of a family of applications that together will have the potential to affect significant behavior change. In this paper we discuss the framework and the first two applications we have developed with it.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,159
Tête enseignante GPT0,465
Écart entre enseignants0,306 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

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

En bref

Citations6
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetMobile Health and mHealth Applications→Travaux en français237 207→