SereneMind: Design and Evaluation of a Persuasive Mobile App for Managing Stress Among Adults
Notice bibliographique
Résumé
Stress is a global public health problem that leads to severe physical and psychological health risks if not managed. Various stress management interventions have been delivered using mobile health (mHealth) apps. Although there are different existing mobile apps promoting stress-coping strategies, more work is still needed to design and evaluate such apps from a persuasion standpoint. Persuasive mobile apps incorporate persuasive strategies (PS) that work as backbone mechanics to motivate desired behaviour change. Therefore, we design and evaluate a mobile app called SereneMind following a five-step process. First, we deconstruct the PS operationalized in 150 stress management apps from both Google Play and App Store to identify the most implemented PS using the Persuasive Systems Design (PSD) framework. Second, we design a low-fidelity prototype (LFP) depicting various features of the app based on the top ten PS. Third, we conduct a user study involving our target audience to evaluate the perceived persuasiveness/effectiveness of each feature and uncover further improvement based on users' feedback. Fourth, based on our findings from the LFP evaluation, we design a high-fidelity prototype (HFP) using only the features that were perceived as effective by our target audience and applying user suggestions to refine the prototypes. Finally, we run a usability study to evaluate the HFP. Our results show that participants perceived SereneMind as usable and useful for managing stress. Therefore, it is more likely to be adopted and used. Lastly, we offer design recommendations for stress management apps in line with our findings.
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 | 0,004 | 0,007 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».