Including the Public in Public eHealth: The Need for Community Participation in the Development of State-Sponsored COVID-19–Related Mobile Apps
Notice bibliographique
Résumé
The COVID-19 pandemic has overwhelmed health care systems worldwide, particularly in underresourced communities of color with a high prevalence of pre-existing health conditions. Many state governments and health care entities responded by increasing their capacity for telemedicine and disease tracking and creating mobile apps for dissemination of medical information. Our experiences with state-sponsored apps suggest that because many of these eHealth tools did not include community participation, they inadvertently contributed to widening digital health disparities. We propose that, as eHealth tools continue to expand as a form of health care, more attention needs to be given to their equitable distribution, accessibility, and usage. In this viewpoint collaboratively written by a minority-serving community-based organization and an eHealth academic research team, we present our experience participating in a community advisory board working on the dissemination of the COVID Alert NY mobile app to illustrate the importance of public participation in app development. We also provide practical recommendations on how to involve community representatives in the app development process. We propose that transparency and community involvement in the process of app development ultimately increases buy-in, trust, and usage of digital technology in communities where they are needed most.
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 | 0,039 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,019 | 0,007 |
| Communication savante | 0,018 | 0,018 |
| Science ouverte | 0,003 | 0,023 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».