Exploring Children’s Engagement in Monitoring Indoor Air Quality: Longitudinal Study
Notice bibliographique
Résumé
BACKGROUND: Indoor air pollution is harmful to everyone, but children are of particular concern, as they are more vulnerable to its adverse health effects from air pollutants. Although mobile technology is increasingly being designed to support monitoring and improving air quality indoors, little attention has been paid to its use by and for children. Previously, we created inAirKids, a child-friendly device to promote children's engagement with monitoring indoor air quality through a participatory design process. The next step is to evaluate its usability in the real world. OBJECTIVE: The aim of this study is to investigate how inAirKids affects children's understanding of and engagement with indoor air quality through a longitudinal field deployment study. METHODS: We deployed inAirKids in the homes of 9 children aged between 6 and 7 years, and investigated their use for up to 16 weeks by conducting semistructured, biweekly interviews. RESULTS: The results show that participants promptly engaged with inAirKids but quickly lost interest in it owing to the lack of engaging factors to sustain engagement. In addition, we identified 2 design considerations that can foster sustained engagement of children with monitoring indoor air quality: design interactivity for engaging in continuity and corporate hands-on activities as part of indoor air quality monitoring for experiential learning. CONCLUSIONS: Our findings shed light on the potential to promote the engagement of children in indoor air quality as well as considerations for designing a child-friendly digital device. To the best of our knowledge, this is the first longitudinal field deployment to investigate how to engage children in monitoring indoor air quality.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».