Designing Better Exposure Notification Apps: The Role of Persuasive Design
Notice bibliographique
Résumé
BACKGROUND: Digital contact tracing apps have been deployed worldwide to limit the spread of COVID-19 during this pandemic and to facilitate the lifting of public health restrictions. However, due to privacy-, trust-, and design-related issues, the apps are yet to be widely adopted. This calls for an intervention to enable a critical mass of users to adopt them. OBJECTIVE: The aim of this paper is to provide guidelines to design contact tracing apps as persuasive technologies to make them more appealing and effective. METHODS: We identified the limitations of the current contact tracing apps on the market using the Government of Canada's official exposure notification app (COVID Alert) as a case study. Particularly, we identified three interfaces in the COVID Alert app where the design can be improved. The interfaces include the no exposure status interface, exposure interface, and diagnosis report interface. We propose persuasive technology design guidelines to make them more motivational and effective in eliciting the desired behavior change. RESULTS: Apart from trust and privacy concerns, we identified the minimalist and nonmotivational design of exposure notification apps as the key design-related factors that contribute to the current low uptake. We proposed persuasive strategies such as self-monitoring of daily contacts and exposure time to make the no exposure and exposure interfaces visually appealing and motivational. Moreover, we proposed social learning, praise, and reward to increase the diagnosis report interface's effectiveness. CONCLUSIONS: We demonstrated that exposure notification apps can be designed as persuasive technologies by incorporating key persuasive features, which have the potential to improve uptake, use, COVID-19 diagnosis reporting, and compliance with social distancing guidelines.
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 | 0,018 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».