Social Cognitive Theories and Electronic Health Design: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: There are several social cognitive theories (SCTs) and models that support platform design in electronic health (eHealth) promotion trials. The rationale for this scoping review was to determine how social design features (informational aid, expressive support, gaming, and tailored content) are used to promote self-efficacy, engagement, knowledge, and behavior change. OBJECTIVE: This study aimed to review a broad spectrum of digital health interventions in the literature seeking trials that use SCTs for the design of eHealth applications. METHODS: The author conducted a systematic scoping review of 161 Web-based health interventions from published randomized clinical trials using 1 or more tools to address the social cognitive determinants in their website design from January 2006 to April 2016. An iterative approach was used in the selection of studies and data extraction. The studies were analyzed for quality and coded for type of social design features employed. RESULTS: Expressive interaction tools were found in 48.6% (54/111) of studies categorized as a strong recommendation by the Joanna Briggs Institute criteria. Overall, less than half of the studies addressed participant social support and motivational needs (43.8%). The vast majority of studies (100%) relied on the use of the Web for delivery of informational aid and tailored content for the individual participant (75.9%). CONCLUSIONS: This review fills a research gap by linking social theory to Web strategy to improve the impact and sustainability of eHealth interventions. A Digital Health Intervention Model was developed to provide a framework to enhance future Web-based health intervention design and execution.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».