Persuasive Mobile Systems Design to Help People be Physically Active
Notice bibliographique
Résumé
This PhD thesis puts forward the results of research activities I have carried out at \nthe Department of Mathematics and Computer Science of the University of Cagliari since \nMarch 2011. My work can be placed in the general field of Human-Computer Interaction and, more \nprecisely, in the relative new and trending area of Persuasive Computing. Broadly speaking, a \npersuasive system is a system designed to change some habits or behaviors of the users by means \nof persuasion. \nMy research activity sets out to address fundamental questions related to the application of \nmobile persuasive technologies to real-life problems, including: Are mobile technologies able to \npersuade people to a more physically active lifestyle? Are currently available systems actually \neffective? How can user experience design be improved in this class of softwares? How can human \nto device interaction be improved to favor users during their physical activities? Are these systems \nreally effective over long time periods? \nThe research activity this thesis presents, aimed at answering at previous questions through \nthe study of the effects of mobile persuasive systems designed to foster people to a more active \nlifestyle. \nIn literature, we can find many examples of prototypal persuasive mobile system. The results \nthey reported are encouraging but, almost always, they are deducted from qualitative studies \nover short periods of time. \nThis work endeavors to overcome these limitations through the development of a real world \ncomplex software platform designed to encourage people to a more active lifestyle. Users interact \nwith the platform mainly through two Android-based applications freely available on the market. \nThanks to our platform, our experimentations can rely on a conspicuous base of real users and \na huge amount of automatically recorded statistics for potentially unlimited periods of time.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,010 |
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 ».