ProTaskinator: A Persuasive Mobile Application for Reducing Procrastination in University Students
Notice bibliographique
Résumé
Smartphones are an inevitable part of our lives. The flashing screen of smartphones serves as a perfect distraction medium, one that facilitates procrastination. With access to multitude of apps, university students often slack in day-to-day activities which in turn affects their personal and professional lives. Mobile health apps that help people reduce procrastination exist, but their efficacy with respect to motivating users to achieve their goals is unknown and they often do not involve the target users in their design. To address this gap, we designed ProTaskinator, a persuasive mobile application to help university students reduce procrastination. We used a user-centered design approach which involves iteratively designing low-fidelity prototype, evaluation, and a high-fidelity prototype implementing various evidence-based persuasive strategies. Forty-four (44) university students evaluated the usability of ProTaskinator. Survey and semi-structured interviews were conducted to assess participants' perceived persuasiveness of the app and implemented strategies. Our results revealed that personalization and self-monitoring were the most effective persuasive strategies, and all the implemented strategies were found to be strongly persuasive. Overall, about 80% ($N=35$) of our participants found the app persuasive, easy-to-use, and relevant for reducing procrastination. We also conducted a thematic analysis of participants' qualitative feedback to uncover more insights. The findings from our evaluation show the potential of ProTaskinator in helping university students regulate the often-overlooked challenge of procrastination.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».