Let’s build an app for that
Notice bibliographique
Résumé
The promotion of physical activity behavior change among adults with cancer is a research priority. Within this field, increasing attention is being devoted to the use of health technology, which includes mobile phones and applications, or apps, to support and deliver physical activity behavior change interventions. While building a mobile app is a popular proposal among exercise oncology researchers, little practical information exists on how this process should be done or what considerations researchers should take in collaboration with participants and industry. The present article provides an overview of recent experiences with app development in exercise oncology and outlines several recommendations for future research. Methods and Results: After forming an interdisciplinary team of researchers, industry partners, and exercise oncology program participants, an iterative, user-centered app improvement process was followed to collect feedback and make meaningful changes to an existing mobile health app for its use in exercise oncology. Participant feedback was summarized and addressed collaboratively via open discussion and detailed action plans. Changes made include enhanced introductory materials for the app and improvements to usability and personalization. Some requests remain to be addressed in future updates. Two challenges identified during the app improvement process were balancing the unique needs and priorities of all parties, as well as addressing the variable feedback from a variable population of adults with cancer. Conclusions and significance: A multidisciplinary participant-oriented app improvement process led to meaningful updates to the mobile application of interest, preparing researchers to carry out an evaluation of its effectiveness within exercise oncology. Furthermore, based on lessons learned, the research team present key recommendations to consider in future mobile app research before, during, and after the development process.
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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 0,082 |
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 ».