Usability of Self-Management for Amputee Rehabilitation using Technology (SMART): An online self-management program for users with lower limb loss
Notice bibliographique
Résumé
BACKGROUND: Individuals with lower limb loss (LLL) need education to adapt to their amputation. Self-management programs provide education and supportive skills to manage health-related physical and psychological challenges. eHealth technologies, such as online platforms, are increasing access to educational resources. We designed an online self-management program for individuals with LLL called Self-Management for Amputee Rehabilitation using Technology (SMART); however, before evaluating its efficacy, we wanted to understand its appropriateness in the target population. OBJECTIVE: To assess the usability of SMART among individuals with LLL. STUDY DESIGN: The study used a concurrent and retrospective think-aloud process. METHODS: Individuals with LLL, aged 18 years or older (n = 9), reviewed the modules during an online video conferencing session with an assessor. SMART included four stakeholder-informed modules with 18 total sections. Participants were asked to think aloud while completing 11 SMART tasks, such as entering SMART, goal setting, finding skin care, and reading the content of 10 sections, including limb care, diet, fatigue, and energy. The interviews were transcribed verbatim and analyzed using directed content analysis. RESULTS: The median age was 58 (range: 30-69) years. Overall, SMART was perceived as straightforward, easy to navigate, and an accessible resource for education and skills. Difficulties were identified with navigation (e.g. skipping the "Foot care for diabetes" section), presentation (e.g. unclear audio), and language (e.g. pistoning and contracture). CONCLUSIONS: SMART was redesigned to address the usability issues. The next step is to explore the perceived usefulness of SMART for content and intention to use.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».