MétaCan
Menu
Retour à la cohorte
Enregistrement W3081304469 · doi:10.2196/15866

Designing an Information and Communications Technology Tool With and for Victims of Violence and Their Case Managers in San Francisco: Human-Centered Design Study

2020· article· en· W3081304469 sur OpenAlexvenueno aff
Devika Patel, Siavash Sarlati, Patrick Martin‐Tuite, Joshua Feler, Lara Chehab, Michael Texada, Ruben Marquez, F Julia Orellana, Terrell Henderson, Adaobi Nwabuo, Rebecca E. Plevin, Rochelle Dicker, Catherine Juillard, Amanda Sammann

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThematic analysisInformation and Communications TechnologyIntervention (counseling)PsychologyQualitative researchPublic relationsNursingMedicineSociologyComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Violence is a public health problem. Hospital-based violence intervention programs such as the San Francisco Wraparound Project (WAP) have been shown to reduce future violent injury. The WAP model employs culturally competent case managers who recruit and enroll violently injured patients as clients. Client acceptance of the WAP intervention is variable, and program success depends on streamlined, timely communication and access to resources. High rates of smartphone usage in populations who are at risk for violent reinjury create an opportunity to design a tailored information and communications technology (ICT) tool to support hospital-based violence intervention programs. OBJECTIVE: Current evidence shows that ICT tools developed in the health care space may not be successful in engaging vulnerable populations. The goal of this study was to use human-centered design methodology to identify the unique communication needs of the clients and case managers at WAP to design a mobile ICT. METHODS: We conducted 15 semi-structured interviews with users: clients, their friends and families, case managers, and other stakeholders in violence intervention and prevention. We used a human-centered design and general inductive approach to thematic analysis to identify themes in the qualitative data, which were extrapolated to insight statements and then reframed into design opportunities. Wireframes of potential mobile ICT app screens were developed to depict these opportunities. RESULTS: Thematic analysis revealed four main insights that were characterized by the opposing needs of our users. (1) A successful relationship is both professional and personal. Clients need this around the clock, but case managers can only support this while on the clock. (2) Communications need to feel personal, but they do not always need to be personalized. (3) Healing is a journey of skill development and lifestyle changes that must be acknowledged, monitored, and rewarded. (4) Social networks need to provide peer support for healing rather than peer pressure to propagate violence. These insights resulted in the following associated design opportunities: (1) Maximize personal connection while controlling access, (2) allow case managers to personalize automated client interactions, (3) hold clients accountable to progress and reward achievements, and (4) build a connected, yet confidential community. CONCLUSIONS: Human-centered design enabled us to identify unique insights and design opportunities that may inform the design of a novel and tailored mobile ICT tool for the WAP community.

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)0,032
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,168

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0320,025
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0090,006
Communication savante0,0050,002
Science ouverte0,0030,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,143
Tête enseignante GPT0,444
Écart entre enseignants0,301 · 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'étudeQualitatif
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

Citations21
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetDigital Mental Health InterventionsTravaux en français237 207