Combining Real-Time Ratings With Qualitative Interviews to Develop a Smoking Cessation Text Messaging Program for Primary Care Patients
Notice bibliographique
Résumé
BACKGROUND: Text messaging (short message service, SMS) interventions show promise as a way to help cigarette smokers quit. Few studies have examined the effectiveness of text messaging (SMS) programs targeting smokers associated with primary care or hospital settings. OBJECTIVE: This study aimed to develop a text messaging (SMS) program targeting primary care smokers. METHODS: Adult smokers in primary care were recruited from February 2017 to April 2017. We sent patients 10 to 11 draft text messages (SMS) over 2 days and asked them to rate each message in real time. Patients were interviewed daily by telephone to discuss ratings, message preferences, and previous experiences with nicotine replacement therapy (NRT). Content analysis of interviews was directed by a step-wise text messaging (SMS) intervention development process and the Information-Motivation-Behavioral Skills model of medication adherence. RESULTS: We sent 149 text messages (SMS) to 15 patients. They replied with ratings for 93% (139/149) of the messages: 134 (96%, 134/139) were rated as clear or useful and 5 (4%, 5/139) as unclear or not useful. Patients' preferences included the addition of graphics, electronic cigarette (e-cigarette) content, and use of first names. Regarding NRT, patients identified informational gaps around safety and effectiveness, preferred positively framed motivational messages, and needed behavioral skills to dose and dispose of NRT. CONCLUSIONS: Patients recommended text message (SMS) personalization, inclusion of e-cigarette information and graphics, and identified barriers to NRT use. Combining real-time ratings with telephone interviews is a feasible method for incorporating primary care patients' preferences into a behavioral text messaging (SMS) 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 | 0,054 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».