Suitability of the Unified Theory of Acceptance and Use of Technology 2 Model for Predicting mHealth Acceptance Using Diabetes as an Example: Qualitative Methods Triangulation Study
Notice bibliographique
Résumé
BACKGROUND: In recent years, the use of mobile health (mHealth) apps to manage chronic diseases has increased significantly. Although mHealth apps have many benefits, their acceptance is still low in certain areas and groups. Most mHealth acceptance studies are based on technology acceptance models. In particular, the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) model was developed to predict technology acceptance in a consumer context. However, to date, only a few studies have used the UTAUT2 model to predict mHealth acceptance and confirm its suitability for the health sector. Thus, it is unclear whether the UTAUT2 model is suitable for predicting mHealth acceptance and whether essential variables for a health-related context are missing. OBJECTIVE: This study aims to validate the suitability of UTAUT2 for predicting mHealth acceptance. METHODS: In this study, diabetes was used as an example as mHealth apps are a significant element of diabetes self-management. In addition, diabetes is one of the most common chronic diseases affecting young and older people worldwide. An explorative literature review and guided interviews with 11 mHealth or technology acceptance experts and 8 mHealth users in Austria and Germany were triangulated to identify all relevant constructs for predicting mHealth acceptance. The interview participants were recruited by purposive sampling until theoretical saturation was reached. Data were analyzed using structured content analysis based on inductive and deductive approaches. RESULTS: This study was able to confirm the relevance of all exogenous UTAUT2 constructs. However, it revealed two additional constructs that may also need to be considered to better predict mHealth acceptance: trust and perceived disease threat. CONCLUSIONS: This study showed that the UTAUT2 model is suitable for predicting mHealth acceptance. However, the model should be extended to include 2 additional constructs for use in the mHealth context.
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 | 0,073 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».