Perspectives From Underserved African Americans and Their Health Care Providers on the Development of a Diabetes Self-Management Smartphone App: Qualitative Exploratory Study
Notice bibliographique
Résumé
BACKGROUND: Type 2 diabetes mellitus (T2DM) affects approximately 10% of the US population, disproportionately afflicting African Americans. Smartphone apps have emerged as promising tools to improve diabetes self-management, yet little is known about the use of this approach in low-income minority communities. OBJECTIVE: The goal of the study was to explore which features of an app were prioritized for people with T2DM in a low-income African American community. METHODS: Between February 2016 and May 2018, we conducted formative qualitative research with 78 participants to explore how a smartphone app could be used to improve diabetes self-management. Information was gathered on desired features, and app mock-ups were presented to receive comments and suggestions of improvements from smartphone users with prediabetes and T2DM, their friends and family members, and health care providers; data were collected from six interactive forums, one focus group, and 15 in-depth interviews. We carried out thematic data analysis using an inductive approach. RESULTS: All three types of participants reported that difficulty with accessing health care was a main problem and suggested that an app could help address this. Participants also indicated that an app could provide information for diabetes education and self-management. Other suggestions included that the app should allow people with T2DM to log and track diabetes care-related behaviors and receive feedback on their progress in a way that would increase engagement in self-management among persons with T2DM. CONCLUSIONS: We identified educational and tracking smartphone features that can guide development of diabetes self-management apps for a low-income African American population. Considering those features in combination gives rise to opportunities for more advanced support, such as determining self-management recommendations based on data in users' logs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,005 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».