Toward a Better Understanding of the Intention to Use mHealth Apps: Exploratory Study
Notice bibliographique
Résumé
Background An increasing number of mobile health (mHealth) apps are becoming available for download and use on mobile devices. Even with the increase in availability and use of mHealth apps, there has still not been a lot of research into understanding the intention to use this kind of apps. Objective The purpose of this study was to investigate a technology acceptance model (TAM) that has been specially designed for primary health care applications. Methods The proposed model is an extension of the TAM, and was empirically tested using data obtained from a survey of mHealth app users (n=310). The research analyzed 2 additional external factors: promotion of health and health benefits. Data were analyzed with a PLS–SEM software and confirmed that gender moderates the adoption of mHealth apps in Spain. The explanatory capacity (R2 for behavioral intention to use) of the proposed model was 76.4%. Likewise, the relationships of the external constructs of the extended TAM were found to be significant. Results The results show the importance of healthy habits developed by using mHealth apps. In addition, communication campaigns for these apps should be aimed at transferring the usefulness of eHealth as an agent for transforming attitudes; additionally, as more health benefits are obtained, ease of use becomes greater. Perceived usefulness (PU; β=.415, t0.001;4999=3.442, P=.001), attitude toward using (β=.301, t0.01;499=2.299, P=.02), and promotion of health (β=.210, t0.05;499=2.108, P=.03) were found to have a statistically significant impact on behavior intention to use eHealth apps (R2=76.4%). Perceived ease of use (PEOU; β=.179, t0.01;499=2.623, P=.009) and PU (β=.755, t0.001;499=12.888, P<.001) were found to have a statistically significant impact on attitude toward using (R2>=78.2%). Furthermore, PEOU (β=.203, t0.01;499=2.810, P=.005), health benefits (β=.448, t0.001;499=4.010, P<.001), and promotion of health (β=.281, t0.01;499=2.393, P=.01) exerted a significant impact on PU (R2=72.7%). Finally, health benefits (β=.640, t0.001;499=14.948, P<.001) had a statistically significant impact on PEOU (R2=40.9%), while promotion of health (β=.865, t0.001;499=29.943, P<.001) significantly influenced health benefits (R2=74.7%). Conclusions mHealth apps could be used to predict the behavior of patients in the face of recommendations to prevent pandemics, such as COVID-19 or SARS, and to track users’ symptoms while they stay at home. Gender is a determining factor that influences the intention to use mHealth apps, so perhaps different interfaces and utilities could be designed according to gender.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».