Factors Influencing the Adoption of Contact Tracing Applications: Protocol for a Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Following the onset of the COVID-19 pandemic, digital contact tracing apps have become prevalent worldwide in a coordinated effort to curb the spread of COVID-19. However, their uptake has been low and slow due to privacy concerns, the lack of trust and motivational affordances, and their minimalist design. OBJECTIVE: The objective of this article is to present a protocol for a systematic review of the main factors, including facilitators and barriers, that influence the adoption of contact tracing apps. METHODS: We searched seven databases, namely, Scopus, CINAHL, PubMed (MEDLINE), IEEE Xplore Digital Library, Association for Computing Machinery (ACM) Digital Library, Web of Science, and Google Scholar, for relevant publications between October 30, 2020, and January 31, 2021. Three authors were involved in removing duplicates, screening, and selection of relevant articles according to the PRISMA-P (Preferred Reporting Items for Systematic Review and Meta-analysis Protocols) guidelines. RESULTS: Altogether, we retrieved 777 articles from the seven databases. As of May 14, 2021, we have completed the screening process and arrived at 13 eligible articles to be included in the systematic review. We hope to elicit, summarize, and report the main findings in the systematic review article by the end of August 2021. We expect to uncover facilitators and barriers related to app utility, data security, ease of use, and persuasive design that are deemed important to adoption of contact tracing apps. CONCLUSIONS: The findings of the systematic review will help researchers to uncover the gaps in the adoption of contact tracing apps, and decision makers and designers to focus on the principal adoption factors necessary to create better and more effective contact tracing apps. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/28961.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| 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 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 ».