Risky Business: Increasing Fertility Knowledge of Men in the General Public Using the Mobile Health Application <i>Infotility XY</i>
Notice bibliographique
Résumé
Male infertility presents a public health concern. As most men wish to become fathers, it is important to increase men’s awareness of infertility risk factors. We developed a mobile health application (mHealth app), Infotility XY, to promote men’s reproductive health. This study evaluates whether use of the app led to increased knowledge of infertility risk factors, and whether knowledge change was associated with participants’ sociodemographic characteristics and/or app usage. Participants were recruited between August and October 2020. Eligibility criteria included: identified as male; 18–45 years old; childless; no infertility history; able to read and write in English/French; had internet access. We assessed participants’ fertility knowledge before and after app use. App usage data were captured during the 2-week intervention period. Our sample included 49 men aged 18–45. Seventy-eight percent of participants had not previously sought fertility information. Participants viewed on average 75% of the app’s articles, and 96% of participants said the app increased their fertility knowledge. Before app use, 55% of men said they were aware of infertility risk factors, compared to 96% after app use. Men correctly identified more risk factors after app use compared to before, t(48) = 8.28, p < .001. Participants’ sociodemographic characteristics and amount of app usage were not associated with knowledge change. This study provides evidence of the feasibility of an mHealth app to improve men’s awareness of infertility risk factors. Given the positive relationship between male reproductive health and overall health, increased awareness of infertility risk factors may lead to men’s improved overall health.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».