Applying Persuasive Design Techniques to Change Data Entry Behaviour in Primary Care (Preprint)
Notice bibliographique
Résumé
<sec> <title>BACKGROUND</title> 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. </sec> <sec> <title>OBJECTIVE</title> 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. </sec> <sec> <title>METHODS</title> 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. </sec> <sec> <title>RESULTS</title> 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. </sec> <sec> <title>CONCLUSIONS</title> 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. </sec>
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,009 | 0,024 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».