Drivers of downloading and reasons for not downloading COVID-19 contact tracing and exposure notification apps: A national cross-sectional survey
Notice bibliographique
Résumé
BACKGROUND: Bluetooth-enabled smartphone apps have been developed and implemented in different sites globally to help overcome capacity limitations of traditional interview-based COVID-19 contact tracing. Two apps are currently available in Canada: ABTraceTogether exclusively in Alberta and COVID Alert in nine other provinces and territories. This study aims to examine factors associated with downloading of these apps to inform targeted promotion and marketing to increase app uptake. METHODS: We performed a cross-sectional survey with adult participants (≥18 years old) from an online national panel. Participants were asked if they had downloaded an app and, if applicable, reasons for not downloading. Logistic regression was used to identify sociodemographic factors and trusted information sources associated with downloading and reasons for not downloading. RESULTS: Of the included 4,503 respondents (36% response rate), 1,394 (31%) had downloaded an app. Demographic and socioeconomic factors positively associated with app download were: 1) being female, 2) higher household income, 3) higher education level attained, and 4) more liberal political views. The odds of downloading an app were higher for participants who trusted health-related information sources, and lower for those who trusted internet searches, family and friend, or Facebook. The most cited reasons for not downloading were related to data security concerns and perceived lack of benefit from the apps. INTERPRETATION: These findings identify sociodemographic segments with the lowest app uptake, reasons for not downloading and trusted information sources to inform targeted promotion and marketing strategies to improve uptake of apps to facilitate contact tracing.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».