Breaking Health Insurance Knowledge Barriers Through Games: Pilot Test of Health Care America
Notice bibliographique
Résumé
Background: Having health insurance is associated with a number of beneficial health outcomes. However, previous research suggests that patients tend to avoid health insurance information and often misunderstand or lack knowledge about many health insurance terms. Health insurance knowledge is particularly low among young adults. Objective: The purpose of this study was to design and test an interactive newsgame (newsgames are games that apply journalistic principles in their creation, for example, gathering stories to immerse the player in narratives) about health insurance. This game included entry-level information through scenarios and was designed through the collation of national news stories, local personal accounts, and health insurance company information. Methods: A total of 72 (N=72) participants completed in-person, individual gaming sessions. Participants completed a survey before and after game play. Results: Participants indicated a greater self-reported understanding of how to use health insurance from pre- (mean=3.38, SD=0.98) to postgame play (mean=3.76, SD=0.76); t71=−3.56, P=.001. For all health insurance terms, participants self-reported a greater understanding following game play. Finally, participants provided a greater number of correct definitions for terms after playing the game, (mean=3.91, SD=2.15) than they did before game play (mean=2.59, SD=1.68); t31=−3.61, P=.001. Significant differences from pre- to postgame play differed by health insurance term. Conclusions: A game is a practical solution to a difficult health issue—the game can be played anywhere, including on a mobile device, is interactive and will thus engage an apathetic audience, and is cost-efficient in its execution.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».