Adoption of a Contact Tracing App for Containing COVID-19: A Health Belief Model Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle