Validating a novel visual field assessment app: A pilot study
Notice bibliographique
Résumé
Introduction The paper Cullen chart has been a validated adjunct to perimeters in detecting scotomas for various neuro-ophthalmological pathologies for decades. It was digitized into a prototype-app to empower future users to conduct remote monitoring of visual fields. This project aimed to refine the apps' usability for future users to self-assess and monitor their visual fields by exploring the difficulties faced using the app, to gather feedback, and subsequently to improve its usability for future iterations to objectively compare iterations using the MAUQ scores. Methods Participants (n = 15; age: 24-58) recruited through convenience sampling underwent mixed (quantitative and qualitative) methods to measure 1. Participants' adherence to the app instruction through observation, 2. objective experiences of using the app through self-reporting using the mHealth App Usability Questionnaire (MAUQ), and 3. Subjective experience of app using through semi-structured interviews. Descriptive analysis was computed for observation and MAUQ data. Thematic analysis was adopted to analyse the semi-structured interview data. Results 1/15 adhered to 3 written instructions and 8/15 participants had awkward hand movements. The MAUQ median score was 123/147, the MAUQ domain mean scores - ease of use and satisfaction, system information arrangement and usefulness were 81.6%(45.7/56), 80.6%(33.9/42) and 80.2%(39.3/49), respectively. Questions 4, 5, 9, 11 and 19 were the 5 lowest-scoring questions. Qualitative data were categorised into instructions, test, and feedback which had codes and subcodes. Conclusion Feedback for improvements were surrounding central fixation, remembering peripheral stimuli, uncover eye when interacting with peripheral stimuli, video examples, an introduction to the app and audio instructions.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».