Integrating human-centered design in public health data dashboards: lessons from the development of a data dashboard of sexually transmitted infections in New York State
Notice bibliographique
Résumé
OBJECTIVE: The increased availability of public data and accessible visualization technologies enhanced the popularity of public health data dashboards and broadened their audience from professionals to the general public. However, many dashboards have not achieved their full potential due to design complexities that are not optimized to users' needs. MATERIAL AND METHODS: We used a 4-step human-centered design approach to develop a data dashboard of sexually transmitted infections for the New York State Department of Health: (1) stakeholder requirements gathering, (2) an expert review of existing data dashboards, (3) a user evaluation of existing data dashboards, and (4) an usability evaluation of the prototype dashboard with an embedded experiment about visualizing missing race and ethnicity data. RESULTS: Step 1 uncovered data limitations and software requirements that informed the platform choice and measures included. Step 2 yielded a checklist of general principles for dashboard design. Step 3 revealed user preferences that influenced the chart types and interactive features. Step 4 uncovered usability problems resulting in features such as prompts, data notes, and displaying imputed values for missing race and ethnicity data. DISCUSSION: Our final design was accepted by program stakeholders. Our modifications to traditional human-centered design methodologies to minimize stakeholders' time burden and collect data virtually enabled project success despite barriers to meeting participants in-person and limited public health agency staff capacity during the COVID-19 pandemic. CONCLUSION: Our human-centered design approach and the final data dashboard architecture could serve as a template for designing public health data dashboards elsewhere.
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 | 0,021 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».