MétaCan
Menu
Retour à la cohorte
Enregistrement W3047474781 · doi:10.2196/20572

Adoption of a Contact Tracing App for Containing COVID-19: A Health Belief Model Approach

2020· letter· en· W3047474781 sur OpenAlexvenueno aff
Michel Walrave, Cato Waeterloos, Koen Ponnet

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2020
Typeletter
Langueen
DomaineComputer Science
ThématiqueCOVID-19 Digital Contact Tracing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContact tracingHealth belief modelPsychologyPopulationCoronavirus disease 2019 (COVID-19)Computer-assisted web interviewingInternet privacyStructural equation modelingRisk perceptionEnvironmental healthMedicinePublic healthSocial psychologyDiseaseHealth promotionComputer scienceNursingPerceptionBusinessMarketing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: To track and reduce the spread of COVID-19, apps have been developed to identify contact with individuals infected with SARS-CoV-2 and warn those who are at risk of having contracted the virus. However, the effectiveness of these apps depends highly on their uptake by the general population. OBJECTIVE: The present study investigated factors influencing app use intention, based on the health belief model. In addition, associations with respondents' level of news consumption and their health condition were investigated. METHODS: A survey was administered in Flanders, Belgium, to 1500 respondents, aged 18 to 64 years. Structural equation modeling was used to investigate relationships across the model's constructs. RESULTS: In total, 48.70% (n=730) of respondents indicated that they intend to use a COVID-19 tracing app. The most important predictor was the perceived benefits of the app, followed by self-efficacy and perceived barriers. Perceived severity and perceived susceptibility were not related to app uptake intention. Moreover, cues to action (ie, individuals' exposure to [digital] media content) were positively associated with app use intention. As the respondents' age increased, their perceived benefits and self-efficacy for app usage decreased. CONCLUSIONS: Initiatives to stimulate the uptake of contact tracing apps should enhance perceived benefits and self-efficacy. A perceived barrier for some potential users is privacy concerns. Therefore, when developing and launching an app, clarification on how individuals' privacy will be protected is needed. To sustain perceived benefits in the long run, supplementary options could be integrated to inform and assist users.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,093
Tête enseignante GPT0,335
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations296
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetCOVID-19 Digital Contact TracingTravaux en français237 207