User-Centered Design Process of an mHealth App for Health Professionals: Case Study
Notice bibliographique
Résumé
BACKGROUND: User-centered design processes are infrequently employed and not fully explored for building mobile health (mHealth) apps that are particularly targeted to health professionals as end users. The authors have used a user-centered design-based approach to build an mHealth app for health professionals, tasked to deliver medical laboratory-related information on a daily basis. OBJECTIVE: Our objective is to generate a simple and functional user-centered design process for mHealth apps for health professionals. This paper presents the key learnings from design activities. METHODS: A stratified random sample of doctors and nurses was recruited for the study. The design activities were planned in the following sequence: focus group discussion for situation analysis and information architecture, design activity 1 for wireframe designing, design activity 2 for wireframe testing, and user testing sessions 1 and 2. RESULTS: The final design and functions of the app, information architecture, and interactive elements were largely influenced by the participatory design-based user-centered design activities. As a result of the design process, we could identify the mental models of processing requests for information and personal preferences based on the experience. These findings were directly or indirectly incorporated into the app design. Furthermore, finding alternative ways of working within time constraints and cultural barriers and the methods employed to manage the challenges of interdisciplinary discourse stood out among the lessons learned. CONCLUSIONS: We recommend a user-centered design process based on a participatory design approach in mHealth app design, enriched with focus group discussions where possible.
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 | 0,006 | 0,000 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».