Development of a Culturally Tailored Text Message Maternal Health Program: TextMATCH
Notice bibliographique
Résumé
BACKGROUND: Mobile phones are increasingly being used to deliver health information and health services globally. Mobile health (mHealth) interventions may be well-suited for minority groups with greater barriers to accessing traditional health services. However, little has been written about the process of culturally adapting interventions for multiple ethnic and cultural minorities within a population. OBJECTIVE: This study describes the process of developing a culturally tailored text message-based maternal health program (TextMATCH: Text for MATernal and Child Health) for Māori, Pacific, Asian, and South Asian families living in New Zealand. We report on engagement and acceptability of the TextMATCH program. METHODS: Program data was examined to describe engagement with the program 18 months after implementation. Telephone interviews were conducted with a sample of participants who consented to provide feedback on acceptability and relevance of the program. RESULTS: A total of 1404 participants enrolled in TextMATCH over 18 months, with 18.52% (260) actively opting out at some point (after 0 to 17 months of messages). It was found that 356 (70.9%) of the 502 eligible participants actively switched from the initial pregnancy program to the baby program after delivery. Phone interviews were conducted with 29 participants including 6 who had withdrawn (duration of program from 3 to 16 months). Only 2 participants reported that the program was not useful, with the remainder rating the usefulness of messages positively (average 4.24 out of 5). All participants stated that the messages were relevant, culturally appropriate, and easy to understand. Most were happy with the specific advice and the language options provided. CONCLUSIONS: We have demonstrated the importance of an intensive approach to the development of a culturally adapted and tailored mHealth program for multiple different cultural minority groups within our population.
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 | 0,002 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».