Using Crowdsourcing to Develop a Peer-Led Intervention for Safer Dating App Use: Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Smartphone-based dating apps are rapidly transforming how people seek potential sexual and romantic partners. However, they can also increase the risk of unsafe sexual behaviors, harassment, and infringement of personal privacy. Current research on interventions for safer dating app use remains insufficient. OBJECTIVE: The goal of this study was to describe the development of an intervention for safer dating app usage using crowdsourcing and peer-led approaches. METHODS: This paper describes the development of an intervention program designed to promote safer dating app use among college students. Crowdsourcing and peer-led approaches were adopted during key stages of the development process. Focus group discussions were held to assess the experience and needs of dating app users. A crowdsourcing contest then solicited ideas for performance objectives for the intervention. These objectives were grouped to further identify practical strategies. A one-day intensive workshop was subsequently held with peer mentors to brainstorm ideas for the production of creative interventional materials. The intervention programs were produced and tested in a pilot study. The app's effectiveness will be evaluated in a cluster randomized controlled trial. RESULTS: The intervention program consists of a risk assessment tool, a first-person scenario game, and four short videos. The risk assessment tool, comprised of 14 questions, will give the participant a score to determine their level of risk of adverse events when using dating apps. The scenario game is a first-person simulation game where the players are presented with choices when faced with different scenarios. The short videos each last 2-4 minutes, with points of discussion aimed at addressing the risks of using dating apps. The programs were piloted and were found to be relatable and helpful when further modifications were made. CONCLUSIONS: Potential challenges identified during the development process included data management and analysis, sustaining peer mentors' interests and participation, and balancing between providing more information and perpetuating social stigma around dating app use. By integrating new approaches, such as crowdsourcing and the peer-led approach, in developing an intervention for safer dating app use, our development process provides a viable model for developing future interventions to address the risks associated with dating app use.
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 | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».