The Role UX Design Attributes Play in the Perceived Persuasiveness of Contact Tracing Apps
Notice bibliographique
Résumé
Contact tracing apps (CTAs) were deployed worldwide in 2020 to combat COVID-19. Due to their low uptake, a growing amount of empirical research is being conducted to understand the factors that drive their adoption. For CTAs to be adopted, users must, first and foremost, find them persuasive. However, there is little research to understand the role user experience (UX) plays in their perceived persuasiveness. Consequently, we conducted an online study on Amazon Mechanical Turk among Canadian and American residents (n = 446) to investigate the most important UX design attributes associated with the perceived persuasiveness of CTAs. The study was based on two app designs (control and persuasive), each of which comprises three use cases: no exposure, exposure, and diagnosis report interfaces. One interface (screenshot) was randomly presented to a participant to view and provide their responses on the perceived UX design attributes and perceived persuasiveness of the interface. In the overall model, we found that perceived usefulness is the most important and consistent UX design attribute that influences perceived persuasiveness (β = 0.29, p < 0.001), followed by perceived trustworthiness (β = 0.24, p < 0.001) and perceived privacy protection (β = 0.16, p < 0.05). Respectively, the three predictors were consistently significant in two-thirds, half, and one-third of the 12 submodels based on app design, adoption status, and country of residence. The relationships regarding the persuasive designs are more likely to be significant, with the variance of the target construct explained by the predictors ranging from 71% to 89% compared with 54% to 69% for the control designs. The three significant attributes will help designers know which UX design attributes to focus on when designing CTAs for future epidemics. More importantly, in predictive modeling, if their ratings are known, they hold potential in predicting new users’ responsiveness to multiple persuasive strategies/messages featured in behavior-change support systems.
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 | 0,007 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».