Content Analysis of Smartphone Apps for Smoking Cessation in China: Empirical Study
Notice bibliographique
Résumé
BACKGROUND: With 360 million smokers, China consumes more cigarettes than any other country in the world. Given that 620 million Chinese own smartphones, smartphone apps for smoking cessation are increasingly used in China to help smokers quit. OBJECTIVE: This study analyzed and evaluated the contents of all smoking cessation apps (iOS and Android) available in China, applying the China Clinical Smoking Cessation Guideline (CCSCG; identical to the US Clinical Practice Guideline for Treating Tobacco Use and Dependence) as a framework for analysis. METHODS: We conducted a content analysis of Chinese Android and iOS smoking cessation apps (N=64) designed to assist users in quitting smoking. Each app was independently coded by two raters for its approach to smoking cessation and adherence to the CCSCG. We also recorded the features of smoking cessation apps (eg, release date, size, frequency of downloads, user ratings, type, quality scores by raters, and designers). Linear regression was used to test predictors of popularity and user-rated quality. RESULTS: Chinese smoking cessation apps have low levels of adherence to guidelines, with an average score of 11.1 for Android and 14.6 for iOS apps on a scale of 0 to 46. There was no significant association between popularity, user rating, and the characteristics of apps. However, there was a positive relationship between popularity, user rating, and adherence score. CONCLUSIONS: Chinese apps for smoking cessation have low levels of adherence to standard clinical practice guidelines. New apps need be developed and existing apps be revised following evidence-based principles in China.
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 | 0,009 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».