Guidelines for reporting of health interventions using mobile phones: mobile health (mHealth) evidence reporting and assessment (mERA) checklist
Notice bibliographique
Résumé
To improve the completeness of reporting of mobile health (mHealth) interventions, the WHO mHealth Technical Evidence Review Group developed the mHealth evidence reporting and assessment (mERA) checklist. The development process for mERA consisted of convening an expert group to recommend an appropriate approach, convening a global expert review panel for checklist development, and pilot testing the checklist. The guiding principle for the development of these criteria was to identify a minimum set of information needed to define what the mHealth intervention is (content), where it is being implemented (context), and how it was implemented (technical features), to support replication of the intervention. This paper presents the resulting 16 item checklist and a detailed explanation and elaboration for each item, with illustrative reporting examples. Through widespread adoption, we expect that the use of these guidelines will standardise the quality of mHealth evidence reporting, and indirectly improve the quality of mHealth evidence.
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 | 0,348 | 0,524 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,013 |
| Bibliométrie | 0,028 | 0,024 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,011 | 0,008 |
| Intégrité de la recherche | 0,011 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,011 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».