Ethics, effectiveness and population health information interventions: a Canadian analysis
Notice bibliographique
Résumé
Population health information interventions (PHIIs) use information in efforts to promote health. PHIIs may push information to a target audience (communication), pull information from the public (surveillance), or combine both in a bidirectional intervention. Although PHIIs have often been framed as non-invasive and ethically innocuous, in reality they may be intrusive into people's lives, affecting not only their health but their senses of security, respect, and self-determination. Ethical acceptability of PHIIs may have impacts on intervention effectiveness, potentially giving rise to unintended consequences. This article examines push, pull, and bidirectional PHIIs using empirical data from an ethnographic study of young mothers in Greater Vancouver, Canada. Data were collected from October 2013 to December 2014 via naturalistic observation and individual interviews with 37 young mothers ages 16-22. Transcribed interviews and field notes were analyzed using inductive qualitative thematic analysis. Both push and pull interventions were experienced as non-neutral by the target population, and implementation factors on a structural and individual scale affected intervention ethics and effectiveness. Based on our findings, we suggest that careful ethical consideration be applied to use of PHIIs as health promotion tools. Advancing the 'ethics of PHIIs' will benefit from empirical data that is informed by information and computer science theory and methods. Information technologies, digital health promotion services, and integrated surveillance programs reflect important areas for investigation in terms of their effects and ethics. Health promotion researchers, practitioners, and ethicists should explore these across contexts and populations.
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 | 0,007 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».