MétaCan
Menu
Retour à la cohorte
Enregistrement W2903354497 · doi:10.2196/preprints.9029

Applying Persuasive Design Techniques to Change Data Entry Behaviour in Primary Care (Preprint)

2017· preprint· en· W2903354497 sur OpenAlexaff
Justin St-Maurice, Catherine M. Burns, Justin Wolting

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueInnovative Human-Technology Interaction
Établissements canadiensUniversity of WaterlooConestoga College
Organismes subventionnairesnon disponible
Mots-clésWorkflowContext (archaeology)PersuasionPreprintData qualityData entryComputer scienceData collectionQuality (philosophy)PsychologyWorld Wide WebInformation retrievalDatabaseEngineeringSocial psychologyOperations management

Résumé

récupéré en direct d'OpenAlex

BACKGROUND Persuasive design (PD) is an approach that seeks to change the behaviours of users by using design and social influence. In primary care, clinician behaviours and attitudes are important precursors to structured data entry, and there is an impact on overall data quality. This research hypothesizes that PD could change data entry behaviours in clinicians and improve data quality. OBJECTIVE Our objective was to use PD principles to change clinician data-entry behaviours in a primary care environment and to increase data quality within a registry system. METHODS We performed a detailed systems analysis of the data-entry task by using cognitive work analysis (CWA). We used the results of this analysis with the Persuasive Systems Design (PSD) framework to describe the persuasion context. We identified several PD principles to be introduced in a new summary screen, which became part of the data entry workflow. As part of our experimental design, we defined three data quality measures (same-day entry, record completeness, and data validity) to measure changes in data quality and entry behaviour. We measured the impacts of the new screen with a paired pre/post t-test and generated XmR charts to contextualize the results. RESULTS 53 users were shown the new screen during their data entry over the course of 10 weeks. Based on a pre-post analysis, the new summary screen successfully encouraged users to enter more of their data on the same day as their encounter. The percentage of same-day entries increased by 10.34% (P < 0.001). During the first month of the new screen, users compensated by sacrificing aspects of data completeness, before returning to normal in the second month. Improvements to record validity were marginal over the study period (P = 0.045). Statistical process control techniques allowed us to study the XmR charts to contextualize our results and understand trends throughout the study period. CONCLUSIONS By conducting a detailed systems analysis and introducing new PD elements into a data entry system, we demonstrated it was possible to change data-entry behavior and influence data quality in a reporting system. The results show that using PD concepts may be effective at influencing data entry behaviours in clinicians. There may be opportunities to continue improving this approach, and further work is required to perfect and test additional designs. Persuasive design is a viable approach to encourage clinician user change and could support better data capture in the field of medical informatics.

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)0,037
score de la tête « metaresearch » (Gemma)0,107
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 enseignants0,037
Score d'incertitude au seuil0,198

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0370,107
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,139
Tête enseignante GPT0,362
Écart entre enseignants0,223 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInnovative Human-Technology InteractionTravaux en français237 207