MétaCan
Menu
Retour à la cohorte
Enregistrement W2791628292 · doi:10.2196/mhealth.9437

More Stamina, a Gamified mHealth Solution for Persons with Multiple Sclerosis: Research Through Design

2018· article· en· W2791628292 sur OpenAlexvenueno aff
Guido Giunti, Vasiliki Mylonopoulou, Octavio Rivera-Romero

Notice bibliographique

RevueJMIR mhealth and uhealth · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueMultiple Sclerosis Research Studies
Établissements canadiensnon disponible
Organismes subventionnairesHorizon 2020 Framework ProgrammeEuropean Commission
Mots-clésmHealthTelemedicineComputer scienceQuality of life (healthcare)LimitingHealth carePsychologyApplied psychologyMultimediaMedicineNursingEngineeringPsychological intervention

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Multiple sclerosis (MS) is one of the world's most common neurologic disorders. Fatigue is one of most common symptoms that persons with MS experience, having significant impact on their quality of life and limiting their activity levels. Self-management strategies are used to support them in the care of their health. Mobile health (mHealth) solutions are a way to offer persons with chronic conditions tools to successfully manage their symptoms and problems. Gamification is a current trend among mHealth apps used to create engaging user experiences and is suggested to be effective for behavioral change. To be effective, mHealth solutions need to be designed to specifically meet the intended audience needs. User-centered design (UCD) is a design philosophy that proposes placing end users' needs and characteristics in the center of design and development, involving users early in the different phases of the software life cycle. There is a current gap in mHealth apps for persons with MS, which presents an interesting area to explore. OBJECTIVE: The purpose of this study was to describe the design and evaluation process of a gamified mHealth solution for behavioral change in persons with MS using UCD. METHODS: Building on previous work of our team where we identified needs, barriers, and facilitators for mHealth apps for persons with MS, we followed UCD to design and evaluate a mobile app prototype aimed to help persons with MS self-manage their fatigue. Design decisions were evidence-driven and guided by behavioral change models (BCM). Usability was assessed through inspection methods using Nielsen's heuristic evaluation. RESULTS: The mHealth solution More Stamina was designed. It is a task organization tool designed to help persons with MS manage their energy to minimize the impact of fatigue in their day-to-day life. The tool acts as a to-do list where users can input tasks in a simple manner and assign Stamina Credits, a representation of perceived effort, to the task to help energy management and energy profiling. The app also features personalization and positive feedback. The design process gave way to relevant lessons to the design of a gamified behavioral change mHealth app such as the importance of metaphors in concept design, negotiate requirements with the BCM constructs, and tailoring of gamified experiences among others. Several usability problems were discovered during heuristic evaluation and guided the iterative design of our solution. CONCLUSIONS: In this paper, we designed an app targeted for helping persons with MS in their fatigue management needs. We illustrate how UCD can help in designing mHealth apps and the benefits and challenges that designers might face when using this approach. This paper provides insight into the design process of gamified behavioral change mHealth apps and the negotiation process implied in it.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
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 enseignants0,794
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,409
Tête enseignante GPT0,482
Écart entre enseignants0,073 · 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 tête enseignante, pas un consensus.

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

Citations73
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMultiple Sclerosis Research StudiesTravaux en français237 207