Pediatric Speech-Language Pathologists’ Use of Mobile Health Technology: Qualitative Questionnaire Study
Notice bibliographique
Résumé
BACKGROUND: While technology use in pediatric therapies is increasing, there is so far no research available focusing on how pediatric speech-language pathologists (SLPs) in the United States use technology. OBJECTIVE: This paper sought to determine if, and to what extent, pediatric SLPs are using mobile apps, to determine what purpose they are using them for, and to identify gaps in available technology to provide guidance for future technological development. METHODS: Pediatric SLPs completed an online survey containing five sections: demographics, overall use, use in assessment, use in intervention, barriers, and future directions. RESULTS: Mobile app use by 485 pediatric SLPs in the clinical setting was analyzed. Most (364/438; 83.1%) pediatric SLPs reported using technology ≤50% of the time in their clinical work, with no differences evident by age group (<35 years and ≥35 years; P=.97). Pediatric SLPs are currently using apps for intervention (399/1105; 36.1%), clinical information (241/1105; 21.8%), parent education (151/1105; 13.7%), assessment (132/1105; 12%), client education (108/1105; 9.8%), and other uses (55/1105; 5.0%). Cost (46/135; 34.1%) and lack of an evidence base (36/135; 26.7%) were the most frequently reported barriers. Most SLPs (268/380; 70.7%) desired more technology use, with no difference evident by age group (P=.81). CONCLUSIONS: A majority of pediatric SLPs are using mobile apps less than 50% of the time in a pediatric setting and they use them more during intervention compared to assessment. While pediatric SLPs are hesitant to add to their client's screen time, they would like more apps to be developed that are supported by research and are less expensive. Implications for future research and app development are also discussed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».