Mobile Phone Apps for Intimate Partner and Sexual Violence Prevention and Response: Systematic Search on App Stores
Notice bibliographique
Résumé
BACKGROUND: Since the 2008 advent of the smartphone, more than 180 billion copies of apps have been downloaded from Apple App Store, with more than 2.6 million apps available for Android and 2.2 million apps available for iOS. Many violence prevention and response apps have been developed as part of this app proliferation. OBJECTIVE: This study aims to evaluate the prevalence and quality of freely available mobile phone apps targeting intimate partner violence (IPV) and sexual violence (SV) prevention and response. METHODS: We conducted a systematic search of violence prevention and response mobile phone apps freely available in Apple App Store (iOS; March 2016) and Google Play Store (Android; July 2016). Search terms included violence prevention, sexual assault, domestic violence, intimate partner violence, sexual violence, forensic nursing, wife abuse, and rape. Apps were included for review if they were freely available, were available in English, and had a primary purpose of prevention of or response to SV or IPV regardless of app target end users. RESULTS: Using the Mobile Application Rating Scale (MARS), we evaluated a total of 132 unique apps. The majority of included apps had a primary purpose of sharing information or resources. Included apps were of low-to-moderate quality, with the overall subjective quality mean for the reviewed apps being 2.65 (95% CI 2.58-2.72). Quality scores for each of the 5 MARS categories ranged from 2.80 (engagement) to 4.75 (functionality). An incidental but important finding of our review was the difficulty in searching for apps and the plethora of nonrelated apps that appear when searching for keywords such as "rape" and "domestic violence" that may be harmful to people seeking help. CONCLUSIONS: Although there are a variety of mobile apps available designed to provide information or other services related to SV and IPV, they range greatly in quality. They are also challenging to find, given the current infrastructure of app store searches, keyword prioritization, and highlighting based on user rating. It is important for providers to be aware of these resources and be knowledgeable about how to review and recommend mobile phone apps to patients, when appropriate.
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 | 0,005 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».