Exploring User Needs and Preferences for Mobile Apps for Sleep Disturbance: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) apps demonstrate promise for improving sleep at scale. End-user engagement is a prerequisite for sustained use and effectiveness. OBJECTIVE: We assessed the needs and preferences of those with poor sleep and insomnia to inform the development of an engaging sleep app. METHODS: We triangulated results from qualitative (focus groups and app reviews) and quantitative (online survey) approaches. A total of 2 focus groups were conducted (N=9). An online survey tested themes identified from the focus groups against a larger population (N=167). In addition, we analyzed 434 user reviews of 6 mobile apps available on app stores. RESULTS: Common focus group themes included the need to account for diverse sleep phenotypes with an adaptive and tailored program, key app features (alarms and sleep diaries), the complex yet condescending nature of existing resources, providing rationale for information requested, and cost as a motivator. Most survey participants (156/167, 93%) would try an evidence-based sleep app. The most important app features reported were sleep diaries (148/167, 88%), sharing sleep data with a doctor (116/167, 70%), and lifestyle tracking (107/167, 64%). App reviews highlighted the alarm as the most salient app feature (43/122, 35%) and data synchronization with a wearable device (WD) as the most commonly mentioned functionality (40/135, 30%). CONCLUSIONS: This co-design process involving end users through 3 methods consistently highlighted sleep tracking (through a diary and WD), alarms, and personalization as vital for engagement, although their implementation was commonly criticized in review. Engagement is negatively affected by poorly designed features, bugs, and didactic information which must be addressed. Other needs depend upon the type of user, for example, those with severe insomnia.
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 | 0,003 | 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 | 0,002 | 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 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 ».