Can mobile technologies improve on-time vaccination? A study piloting maternal use of ImmunizeCA, a Pan-Canadian immunization app
Notice bibliographique
Résumé
Mobile applications have the potential to influence vaccination behavior, including on-time vaccination. We sought to determine whether the use of a mobile immunization app was associated with the likelihood of reporting on-time vaccination in a cohort of 50 childbearing women. In this pilot study, we describe participant reported app use, knowledge, attitudes or beliefs regarding pediatric vaccination and technology readiness index (TRI) scores. To explore if app use is associated with change in attitudes, beliefs or behavior, participants were instructed complete a baseline survey at recruitment then download the app. A follow up survey followed 6-months later, reexamining concepts from the first survey as well as collecting participant TRI scores. Changes in Likert scores between pre and post survey questions were compared and multivariate logistic regression was used to assess the relationship between TRI score and select survey responses. Thirty-two percent of participants perceived that the app made them more likely to vaccinate on time. We found some individuals' attitudes toward vaccines improved, some became less supportive and in others there was no change. The mean participant TRI score was 3.25(IQR 0.78) out of a maximum score of 5, indicating a moderate level of technological adoption among the study cohort population. While the app was well received, these preliminary results showed participant attitudes toward vaccination moved dichotomously. Barriers to adoption remain in both usability and accessibility of mobile solutions, which are in part dependent on the user's innate characteristics such as technology readiness.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».