Mobile Phone Apps for Low-Income Participants in a Public Health Nutrition Program for Women, Infants, and Children (WIC): Review and Analysis of Features
Notice bibliographique
Résumé
BACKGROUND: Since 1972, the Special Supplemental Nutrition Program for Women, Infants, and Children (WIC) has been proven to improve the health of participating low-income women and children in the United States. Despite positive nutritional outcomes associated with WIC, the program needs updated tools to help future generations. Improving technology in federal nutrition programs is crucial for keeping nutrition resources accessible and easy for low-income families to use. OBJECTIVE: This review aimed to analyze the main features of publicly available mobile phone apps for WIC participants. METHODS: Keyword searches were performed in the app stores for the 2 most commonly used mobile phone operating systems between December 2017 and June 2018. Apps were included if they were relevant to WIC and excluded if the target users were not WIC participants. App features were reviewed and classified according to type and function. User reviews from the app stores were examined, including ratings and categorization of user review comments. RESULTS: A total of 17 apps met selection criteria. Most apps (n=12) contained features that required verified access available only to WIC participants. Apps features were classified into categories: (1) shopping management (eg, finding and redeeming food benefits), (2) clinic appointment management (eg, appointment reminders and scheduling), (3) informational resources (eg, recipes, general food list, tips about how to use WIC, links to other resources), (4) WIC-required nutrition education modules, and (5) other user input. Positive user reviews indicated that apps with shopping management features were very useful. CONCLUSIONS: WIC apps are becoming increasingly prevalent, especially in states that have implemented electronic benefits transfer for WIC. This review offers new contributions to the literature and practice, as practitioners, software developers, and health researchers seek to improve and expand technology in the program.
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».