SleepFit: A Persuasive Mobile App for Improving Sleep Habits in Young Adults
Notice bibliographique
Résumé
Sleep disorders have been associated with mental distress, depressive symptoms, and anxiety. Digital interventions using mobile technology can address sleep difficulties due to the pervasiveness of smartphones, especially among young adults. Therefore, we design a persuasive mobile app, called SleepFit, targeted at young adults with the aim of improving their sleep habits or behaviours which in turn would improve their mental health and wellbeing. To achieve this, we employ the user-centered design approach in five stages. First, we elicit user preferences by conducting two concurrent focus group (FG) sessions to understand participants' current sleep habits, contributing factors, and how a persuasive mobile app (such as SleepFit) can help to improve their situation. Second, we design low-fidelity prototypes (LFP) illustrating various features of SleepFit based on our findings from the FG sessions after data analysis. Third, we conduct a user study to assess perceived persuasiveness of the features illustrated by the LFP. Our findings show that users perceived 7 features (Sleep Analysis, News Feed, Smart Alarm, Chat, Sleep Music, Notification, and Sleep Diary) as significantly persuasive for improving their sleep habits. Fourth, we design high-fidelity prototypes which reflect only the features that are perceived as significantly persuasive, based on the results of the LFP evaluation. Finally, we conduct a usability evaluation of the high-fidelity prototypes (HFP) and then refine the HFP based on qualitative feedback after thematic analysis.
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 | 0,001 |
| 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) | 0,000 | 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 ».