An Analysis of Guidelines for Persuasive Interfaces on Mobile Applications
Notice bibliographique
Résumé
Persuasive technologies in mobile applications have become more prevalent with the development of smartphones.The user being prompted to take on certain actions and behaviours as reminders that doctors, family members or friends would give is not often associated with mobile devices.The ability for this effort to succeed in some measure by applications depends on the effectiveness of the design elements on the interface of persuasive applications.What are a reliable set of design principles that make persuasive applications, persuasive?After realizing the gap in previous research on guidelines for persuasive interfaces, Alexandra Nemery and Eric Brangier propose a set of criteria that list the essential design elements for a persuasive interface: credibility, privacy, personalization, attractiveness, solicitation, priming, commitment, and ascendency, and divide them into two sets of criteria: static and dynamic.As a follow up research to their study, this research paper analyzes 20 persuasive applications on the guidelines of Nemery and Brangier by employing open coding.The results show that not only were Nemery and Brangier's guidelines are absent in most applications, but they also did not account for the following codes in their criteria: Personalization/ProfileDashboard, Solicitation/RemindersNotifications, Solicitation/ProgressPersuasion, Commitment/PreliminaryAssessment and Community.An autoethnographic study also finds that design elements are highly nuanced and subjective and require guidelines of their own.
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 | 0,013 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».