Factors Influencing the Willingness to Download COVID-19 Contact Tracing Apps: The Moderating Effect of Persuasive Design and Smartphone Usage Experience
Notice bibliographique
Résumé
The COVID-19 pandemic culminated in the global roll-out of contact tracing apps, also known as exposure notification apps (ENAs), to contain the spread of the virus. ENAs notify users about a possible infection and advises them to take certain health measures such as self-isolation and COVID-19 test. While some work has been done on the factors that influence ENA adoption, little attention has been paid to the moderating effect of persuasive design and smartphone usage experience. This paper sets out to bridge this gap using the Government of Canada’s official app “COVID Alert” and Canadian non-adopter population (n = 133) as a case study. Of the seven factors we investigated, perceived trust (β = 0.29, p < 0.01) and perceived enjoyment (β = 0.21, p < 0.05) turned out to be the only significant predictors of non-adopters’ willingness to download the app in the overall model. Both persuasive design and smartphone usage experience moderated some of the relationships in the model. For example, while perceived enjoyment is significant in the persuasive design submodel (β = 0.34, p < 0.01) and low-experience submodel (β = 0.36, p < 0.001), it is not in the control design and high-experience submodels. Moreover, perceived enjoyment (β = 0.36, p < 0.001) and privacy concern (β = -0.46, p < 0.05) turned out to be the strongest predictors in the low-experience and high-experience submodels, respectively. These results indicate that, to improve the download of ENAs, sponsors should implement and highlight app features that foster trust in marketing campaigns and app-store descriptions. Particularly, they should highlight their privacy-protection feature and hedonic attribute among the high-experience and low-experience groups, respectively.
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 | 0,004 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».