Prioritization of Features for Mobile Apps for Families in a Federal Nutrition Program for Low-Income Women, Infants, and Children: User-Centered Design Approach
Notice bibliographique
Résumé
BACKGROUND: The Special Supplemental Nutrition Assistance Program for Women, Infants, and Children (WIC) is a federal nutrition program that provides nutritious food, education, and health care referrals to low-income women, infants, and children up to the age of 5 years. Although WIC is associated with positive health outcomes for each participant category, modernization and efficiency are needed at the clinic and shopping levels to increase program satisfaction and participation rates. New technologies, such as electronic benefits transfer (EBT), online nutrition education, and mobile apps, can provide opportunities to improve the WIC experience for participants. OBJECTIVE: This formative study applies user-centered design principles to inform the layout and prioritization of features in mobile apps for low-income families participating in the WIC program. METHODS: To identify and prioritize desirable app features, caregivers (N=22) of the children enrolled in WIC participated in individual semistructured interviews with a card sorting activity. Interviews were transcribed verbatim and analyzed using constant comparative analysis for themes. App features were ranked and placed into natural groupings by each participant. The sum and average of the rankings were calculated to understand which features were prioritized by the users. Natural groupings of features were labeled according to participant descriptions. RESULTS: Natural groupings focused on the following categories: clinics/appointments, shopping/stores, education/assessments, location, and recipes/food. Themes from the interviews triangulated the results from the ranking activity. The priority app features were balance checking, an item scanner, and appointment scheduling. Other app features discussed and ranked included appointment reminders, nutrition training and quizzes, shopping lists, clinic and store locators, recipe gallery, produce calculator, and dietary preferences/allergies. CONCLUSIONS: This study demonstrates how a user-centered design process can aid the development of an app for low-income families participating in WIC to inform the effective design of the app features and user interface.
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 | 0,029 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».