Utilizing Theories and Evaluation in Digital Gaming Interventions to Increase Human Papillomavirus Vaccination Among Young Males: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Human papillomavirus (HPV) is the most common sexually transmitted infection in the United States. HPV attributes to most cancers including anal, oral, cervical, and penile. Despite infection rates in the United States, recommendations and communication campaigns have traditionally focused on females. Because of this, males lack knowledge about reasons for vaccination, the benefits of being vaccinated, and their HPV risk, overall. Gaming as a health education strategy can be beneficial as mechanism that can promote behavior change for this key demographic because of the popularity of gaming. OBJECTIVE: We sought to explore the relationship between gamification and HPV vaccine uptake. METHODS: Interviews were conducted with experts (n=22) in the fields of cancer prevention, sexual and reproductive health, public health, game design, technology, and health communication on how a game should be developed to increase HPV vaccination rates among males. RESULTS: Overwhelmingly, theoretical models such as the health belief model were identified with key constructs such as self-efficacy and risk perception. Experts also suggested using intervention mapping and logic models as planning tools for health promotion interventions utilizing a digital game as a medium. In game and out of game measures were discussed as assessments for quality and impact by our expert panel. CONCLUSIONS: This study shows that interventions should focus on whether greater utilization of serious games, and the incorporation of theory and standardized methods, can encourage young men to get vaccinated and to complete the series of HPV vaccinations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».