A Health Belief Model Approach to Evaluating Maternal Health Behaviors among Africans - Design Implications for Personalized Persuasive Technologies
Notice bibliographique
Résumé
We investigate the health belief and its impact on maternal health behaviors among African women with a view to offering guidelines for designing personalized persuasive technologies to encourage appropriate maternal health and lifestyles amongst women in the Global South. The results from the analysis of our qualitative data uncover key themes from the interview responses (of 47 stakeholders) associated with our research questions. They are: monitoring of fetus development and ensuring health and wellbeing of expectant mother and unborn baby, inaccessibility of the health facilities and long waiting times (queues) at the health facilities, poverty, perception about Caesarian Session (CS), ignorance of the consequences of inappropriate health behaviors, and low tech skills. Others include traditional and religious beliefs and constant health crises during pregnancies, delivery of newborn babies with serious health problems and deformities; and increase in pregnancy and childbirth-related deaths. Specifically, we uncovered that socio-cultural factors may or may not support appropriate maternal health behaviors. The socio-cultural factors include ethnic practices, traditional beliefs, and religious inclinations of the pregnant mothers and their families. For instance, the belief that “safe delivery is only a function of belief in God”, intake of untested concoctions, and stigmatization due to inability to deliver her baby by herself at home and/or submission to Caesarian Session (CS), are unsupportive religious and traditional beliefs and practices that promote inappropriate maternal health behaviors amongst the people. Subsequently, the themes were categorized based on their associated health belief factors such as perceived benefits, perceived barriers, perceived threat, and socio-cultural factors. We mapped them to their corresponding persuasive design strategies. Finally and based on the outcome of our studies, we propose culturally appropriate guidelines for developing personalized persuasive technologies for maternal health, which will be potentially effective in motivating healthy behaviors and lifestyles amongst expectant and nursing mothers across African communities.
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 | 0,019 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».