Feeling Moodie: Insights from a Usability Evaluation to Improve the Design of mHealth Apps
Notice bibliographique
Résumé
Despite the growing number of mHealth apps for tracking and helping users to form and sustain health habits, most apps are not evidence-based and are not evaluated by the users to uncover potential issues and determine effectiveness. To fill this gap, we used a mixed methods approach to evaluate a mood-self-tracking app called Feeling Moodie. Data was collected from 34 participants [age range: 18–55 years old, with 15/34 (44%) being between the ages 26 and 35 years old; sex: 17 males and 17 females] who used the app for 15 days and completed a questionnaire about their experience followed by an interview with 18 participants to uncover more qualitative insights. Results showed a positive range for attractiveness, perspicuity, efficiency, dependability, and stimulation, but not for novelty which suggests that Feeling Moodie can be improved by increasing the level of creativity to further captivate the user’s interest. Furthermore, interviews revealed that while some participants expressed doing mood check-ins felt like a “chore,” others reported that at first, they had to use it intentionally, but after a while, it became a “rhythm,” pulling them to the experience. Based on the insights, we offer practical guidelines for increasing the level of interactivity and gradually guiding the user by using a variety of features to help them to form good habits. The results obtained in this work can inform designers on how to design more personalized apps and increase the possibility that the app will be adopted. The article contributes to a better understanding of the emotional and technological implications for designing and improving the quality of mood-tracking apps.
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 | 0,038 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».