Co-designing a digital companion with people living with Parkinson's to support self-care in a personalized way: The eCARE-PD Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
eHealth technologies play a role in the development of integrated care models for people living with Parkinson disease by improving communication with their health care teams and support self-care practices in a personalized way. This article presents a co-design approach to designing an eHealth technology, the eCARE-PD platform, that addresses the needs and expectations of people living with Parkinson disease, generates tailored care tips, and recommends actions for managing care priorities at home. We use a co-design approach involving four main iterative phases: (1) preparation, (2) mapping, (3) testing and using, and (4) co-producing solutions and requirements. This approach uses several methods to engage people directly to design this technology. The study allowed us to identify design principles to be integrated in the development of the eCARE-PD platform. These principles incorporate the expectations of future users, which were expressed during the iterative phases of the co-design process: (a) six key design features based on users' needs and expectations, (b) six main issues users raised during a test at home and key features for improving the design of the eCARE-PD platform, and (c) collective solutions to design an interactive, meaningful, tailored, empathic, and socially acceptable technology. The results of the successive phases of the co-design process allow us to underline the progressive constitution of a technology defined over successive iterations as a digital companion supporting the self-care process at home and having the capacity to generate tailored digital health communication.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle