MétaCan
Menu
Retour à la cohorte
Enregistrement W2771963963 · doi:10.1504/ijhtm.2017.10009747

A healthy lifestyle app for older adults with diabetes and hypertension: usability assessment

2017· article· en· W2771963963 sur OpenAlexaff
Julie Richardson, Jessica Peter, Fiona Parascandalo, Lisa Dolovich, Dena Javadi, Dee Mangin, Gina Agarwal, Janelle Gravesande, Jenna Smith Turchyn

Notice bibliographique

RevueInternational Journal of Healthcare Technology and Management · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésUsabilityMotivational interviewingMobile appsmHealthPsychological interventionSelf-managementMedicineSession (web analytics)Diabetes managementApplied psychologyPsychologyDiabetes mellitusGerontologyPhysical therapyType 2 diabetesNursingComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Risk factor modification interventions using mobile health technology have been shown to be effective in managing non-communicable lifestyle related conditions. The objective of this study was to explore how older adults with type 2 diabetes and hypertension use an online app developed to help manage these conditions. Usability testing was conducted on the TAPESTRY-CM Healthy Lifestyle App, an online self-management application. This included an online session, using a cognitive interviewing approach, and semi-structured interviews at various times. Qualitative content analysis was performed as sessions were completed using coding and category formation. All participants commented positively on app content. Suggestions for improvement were given in regard to app content and layout. This study provides strong support for initial use of this app. Results of this study will be used to improve the app prior to conducting larger scale effectiveness trials or using it in clinical practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,407
Écart entre enseignants0,383 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Healthcare Technology and ManagementMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207