Factors Related to User Ratings and User Downloads of Mobile Apps for Maternal and Infant Health: A Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health apps related to maternal and infant health (MIH) are prevalent and frequently used. Some of these apps are extremely popular and have been downloaded over 5 million times. However, the understanding of user behavior and user adoption of these apps based on consumer preferences for different app features and categories is limited. OBJECTIVE: This study aimed to examine the relationship between MIH app characteristics and users' perceived satisfaction and intent to use. METHODS: The associations between app characteristics, ratings, and downloads were assessed in a sample of MIH apps designed to provide health education or decision-making support to pregnant women or parents and caregivers of infants. Multivariable linear regression was used to assess the relationship between app characteristics and user ratings, and ordinal logistic regression was used to assess the relationship between app characteristics and user downloads. RESULTS: The analyses of user ratings and downloads included 421 and 213 apps, respectively. The average user rating was 3.79 out of 5. Compared with the Apple App Store, the Google Play Store was associated with high user ratings (beta=.33; P=.005). Apps with higher standardized user ratings (beta=.80; P<.001), in-app purchases (beta=1.12; P=.002), and in-app advertisements (beta=.64; P=.02) were more frequently downloaded. Having a health care organization developer as part of the development team was neither associated with user ratings (beta=-.20; P=.06) nor downloads (beta=-.14; P=.63). CONCLUSIONS: A majority of MIH apps are developed by non-health care organizations, which could raise concern about the accuracy and trustworthiness of in-app information. These findings could benefit app developers in designing better apps and could help inform marketing and development strategies. Further work is needed to evaluate the clinical accuracy of information provided within the apps.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».