Appropriation of Mobile Health for Diabetes Self-Management: Lessons From Two Qualitative Studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: To achieve clarity on mobile health's (mHealth's) potential in the diabetes context, it is necessary to understand potential users' needs and expectations, as well as the factors determining their mHealth use. Recently, a few studies have examined the user perspective in the mHealth context, but their explanatory value is constrained because of their limitation to adoption factors. OBJECTIVE: This paper uses the mobile phone appropriation model to examine how individuals with type 1 or type 2 diabetes integrate mobile technology into their everyday self-management. The study advances the field beyond mere usage metrics or the simple dichotomy of adoption versus rejection. METHODS: Data were gathered in 2 qualitative studies in Singapore and Germany, with 21 and 16 respondents, respectively. Conducting semistructured interviews, we asked respondents about their explicit use of diabetes-related apps, their general use of varied mobile technologies to manage their disease, and their daily practices of self-management. RESULTS: The analysis revealed that although some individuals with diabetes used dedicated diabetes apps, most used tools across the entire mobile-media spectrum, including lifestyle and messaging apps, traditional health information websites and forums. The material indicated general barriers to usage, including financial, technical, and temporal restrictions. CONCLUSIONS: In sum, we find that use patterns differ regarding users' evaluations, expectancies, and appropriation styles, which might explain the inconclusive picture of effects studies in the diabetes mHealth context.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle