Assessing the Quality of Mobile Apps Used by Occupational Therapists: Evaluation Using the User Version of the Mobile Application Rating Scale
Notice bibliographique
Résumé
BACKGROUND: The continuous development of mobile apps has led to many health care professionals using them in clinical settings; however, little research is available to guide occupational therapists (OTs) in choosing quality apps for use in their respective clinical settings. OBJECTIVE: The purpose of this study was to use the user version of the Mobile Application Rating Scale (uMARS) to evaluate the quality of the most frequently noted mobile health (mHealth) apps used by OTs and to demonstrate the utility of the uMARS to assess the quality of mHealth apps. METHODS: A previous study surveying OTs' use of apps in therapy compiled a list of apps frequently noted. A total of 25 of these apps were evaluated individually by 2 trained researchers using the uMARS, a simple, multidimensional analysis tool that can be reliably used to evaluate the quality of mHealth apps. RESULTS: The top 10 apps had a total quality score of 4.3, or higher, out of 5 based on the mean scores of engagement, functionality, and aesthetics. Apps scored highest in functionality and lowest in engagement. Apps noted most frequently were not always high-quality apps; apps noted least frequently were not always low-quality apps. CONCLUSIONS: Determining the effectiveness of using apps in clinical settings must be built upon a foundation of the implementation of high-quality apps. Mobile apps should not be incorporated into clinical settings solely based on frequency of use. The uMARS should be considered as a useful tool for OTs, and other professionals, to determine app quality.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».