A Review of the Use of Persuasive Technologies to Influence Sustainable Behaviour
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
Persuasive technologies are interactive systems that are designed to influence people to change their attitudes or behaviours. Persuasive technologies have been used successfully in several domains including health to make people exercise more, shopping to make people buy specific products, and social media to make people contribute better content. In the area of sustainability, its use is not well documented. To contribute to the use of persuasive technologies in sustainability, this paper carries out a literature review of published articles in the area in the past five years and summarizes the main findings based on three main themes: the design and development of the technology to make it adaptive to users, the evaluation of the technology, and the findings from the evaluation. Our results suggest that most persuasive technologies are developed as mobile applications, IoT devices or serious games and the most common behaviour change targeted by the persuasive technologies in this domain are energy conservation and sustainable food management. The most common persuasive strategies that are used are rewards, suggestions and self-monitoring. In terms of evaluation, a self-reported evaluation method was applied by most authors. While the range of evaluation of the developed persuasive technologies was between one hour and one year, the number of recruited participants ranged from two to over nine hundred. The findings from the evaluation were mostly mixed with several authors reporting positive results (behaviour change) for some participants. Based on these results, we suggest considerations for the development of future persuasive technologies for sustainability.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,004 |
| 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