An Embodied Conversational Agent in an eHealth Self-management Intervention for Chronic Obstructive Pulmonary Disease and Chronic Heart Failure: Exploratory Study in a Real-life Setting
Notice bibliographique
Résumé
BACKGROUND: Embodied conversational agents (ECAs) have the potential to stimulate actual use of eHealth apps. An ECA's design influences the user's perception during short interactions, but daily life evaluations of ECAs in health care are scarce. OBJECTIVE: This is an exploratory, long-term study on the design of ECAs for eHealth. The study investigates how patients perceive the design of the ECA over time with regard to the ECA's characteristics (friendliness, trustworthiness, involvement, expertise, and authority), small talk interaction, and likeliness of following the agent's advice. METHODS: We developed an ECA within an eHealth self-management intervention for patients with both chronic obstructive pulmonary disease (COPD) and chronic heart failure (CHF), which we offered for 4 months. Patients rated 5 agent characteristics and likeliness of following the agent's advice before use and after 3 and 9 weeks of use. The amount of patients' small talk interaction was assessed by log data. Lastly, individual semistructured interviews were used to triangulate results. RESULTS: Eleven patients (7 male and 4 female) with COPD and CHF participated (median age 70 years). Patients' perceptions of the agent characteristics did not change over time (P>.05 for all characteristics) and only 1 participant finished all small talk dialogues. After 3 weeks of use, the patients were less likely to follow the agent's advice (P=.01). The agent's messages were perceived as nonpersonalized and the feedback as inappropriate, affecting the agent's perceived reliability. CONCLUSIONS: This exploratory study provides first insights into ECA design for eHealth. The first impression of an ECA's design seems to remain during long-term use. To investigate future added value of ECAs in eHealth, perceived reliability should be improved by managing users' expectations of the ECA's capabilities and creating ECA designs fitting individual needs. TRIAL REGISTRATION: Netherlands Trial Register NL6480; https://www.trialregister.nl/trial/6480.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».