Improving Older Adults' Experience with Interactive Voice Response Systems
Notice bibliographique
Résumé
BACKGROUND: Interactive voice response (IVR) systems use computer-based voice recognition and software algorithms to conduct human/computer interactions. In recent years, there has been a proliferation of IVR applications in business and healthcare. The available evidence suggests that older people have negative attitudes towards IVR and experience significant difficulties using these systems. OBJECTIVE: The goal of this project was to identify areas of difficulties in IVR use by older people and propose strategies for improvement. MATERIALS AND METHODS: During two focus groups, we examined older people's perceptions of IVR systems and the most common difficulties experienced by seniors in interacting with these systems. We also recorded their suggestions for improvement of IVR. RESULTS: Frequency and chi square analyses were performed on the focus groups data. Some of the difficulties reported by participants in this study were congruent with previous findings, but we also uncovered some additional problems, such as frustration for not being able to reach an operator, being asked to wait too long on hold, being unable to recover from mistakes, and an absence of shortcuts in the systems. In addition, significant number of participants indicated that they prefer a system that adjusts to them automatically as opposed to a system that allows for adjustment. CONCLUSION: Generally, our findings suggest that the poor acceptability of IVR systems by older people could be improved by designing IVR algorithms that detect difficulties during an ongoing IVR exchange and direct people to different algorithms adapted for each person.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».