Identifying User Needs for Designing Data-based Public Health Decision Making Tools (Preprint)
Notice bibliographique
Résumé
BACKGROUND Public health professionals regularly engage in complex tasks involving data and models on large population segments, and use various tools to help support their data-driven decision-making. Human factors methods can be employed in the design of such tools to better support public health professionals in decision-making tasks. OBJECTIVE While human factors methods have been applied to the design of some individually-based clinical health tools, their applications are limited in the design of public health systems. We conducted focus groups with public health professionals in Ontario, Canada to understand their informational needs in decision support tools to support a human factors approach to designing data-based tools for public health. METHODS Three focus groups were completed, each consisting of a group of four participants. The discussion included a critique of pre-existing public health tools and their interfaces, a discussion of decision support tools and population risk tools familiar to the participants, and sought out insights on developing a chronic disease prediction dashboard as a use case. RESULTS Data was recorded, transcribed, and coded by three independent reviewers to extract themes using affinity diagramming. We present system features identified by public health professionals, and provide an example of how to use and prioritize these suggested features by applying them to our use case. CONCLUSIONS Focus groups revealed that users want a tool that identifies the end user early in the design process, has quality visualizations, provides transparency in data inputs and outputs, and incorporates equity considerations. This research provides a critical perspective on the potential for human factors to improve the use of data and analytics for public health applications.
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 | 0,072 | 0,170 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».