Factors Reducing the Use of a Persuasive mHealth App and How to Mitigate Them: Thematic Analysis
Notice bibliographique
Résumé
BACKGROUND: Studies on which persuasive features may work for different users in health contexts are rare. The participants in this study were microentrepreneurs. We built a persuasive mobile app to help them to recover from work. Representatives of this target group tend to be very busy due to work, which was reflected in their use of the app during the randomized controlled trial intervention. Microentrepreneurs also often have dual roles; they are professionals in their line of work as well as entrepreneurs managing their own business, which may add to their workload. OBJECTIVE: This study aimed to present users' views on the factors that hinder their use of the mobile health app that we developed and how these factors could be mitigated. METHODS: We interviewed 59 users and conducted both data-driven and theory-driven analyses on the interviews. RESULTS: Factors reducing app use could be divided into 3 categories: use context (problem domain-related issues, eg, the lack of time due to work), user context (user-related issues, eg, concurrent use of other apps), and technology context (technology-related issues, eg, bugs and usability). Due to the nature of the participants' entrepreneurship, which often interferes with personal life, it became clear that designs targeting similar target groups should avoid steep learning curves and should be easy (quick) to use. CONCLUSIONS: Personalized tunneling-guiding the user through a system via personalized solutions-could help similar target groups with similar issues better engage with and keep using health apps because of the easy learning curve. When developing health apps for interventions, background theories should not be interpreted too strictly. Applying theory in practice may require rethinking approaches for adaptation as technology has evolved rapidly and continues to evolve. TRIAL REGISTRATION: ClinicalTrials.gov NCT03648593; https://clinicaltrials.gov/ct2/show/NCT03648593.
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 | 0,042 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».