Data elicited through apps for health systems improvement
Notice bibliographique
Résumé
A promising approach to meeting the need in many jurisdictions for timely, in-depth qualitative health systems experience data, is to elicit feedback through smartphone and web applications (apps). Apps offer an appealing tool to elicit data from patients and family members who may feel stigma when receiving some services and a power imbalance when providing feedback to health-care providers. In this article, we examine the effectiveness of a suite of smartphone and web apps called myExperience (myEXP) that were created to gather care experiences of youth, family members, and service providers as part of an experience-based co-design (EBCD) study in Ontario involving youth with mental disorders. We analyzed data from 12 triads of youth (aged 16–24), family members, and service providers gathered between August 2015 and December 2016. We used qualitative content analysis to understand participant feedback on the myEXP apps and identify thematic categories that emerged from experience data elicited through the myEXP apps. We found overall that the myEXP apps were more effective at eliciting experience data from youth compared with family members and service providers. Rich experience data were gathered from youth about treatment plans in real time through the apps. The apps also showed important promise as reflective tools for all participants. They may offer advantages in research that seeks to improve responsiveness in service delivery and build mutual understanding. The apps also offer choice in how data are elicited, encourage more candid feedback and help to overcome stigma, which are important considerations for some vulnerable populations. For service redesign research using approaches such as EBCD, apps offer real-time data gathering that can complement and enhance traditional approaches such as retrospective interviews and observation.
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 | 0,105 | 0,250 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 ».