A panoramic view of personalization based on individual differences in persuasive and behavior change interventions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Persuasive technologies are designed to change human behavior or attitude using various persuasive strategies. Recent years have witnessed increasing evidence of the need to personalize and adapt persuasive interventions to various users and contextual factors because a persuasive strategy that works for one individual may rather demotivate others. As a result, several research studies have been conducted to investigate how to effectively personalize persuasive technologies. As research in this direction is gaining increasing attention, it becomes essential to conduct a systematic review to provide an overview of the current trends, challenges, approaches used for developing personalized persuasive technologies, and opportunities for future research in the area. To fill this need, we investigate approaches to personalize persuasive interventions by understanding user-related factors considered when personalizing persuasive technologies. Particularly, we conducted a systematic review of 72 research published in the last ten years in personalized and adaptive persuasive systems. The reviewed papers were evaluated based on different aspects, including metadata (e.g., year of publication and venue), technology, personalization dimension, personalization approaches, target outcome, individual differences, theories and scales, and evaluation approaches. Our results show (1) increased attention toward personalizing persuasive interventions, (2) personality trait is the most popular dimension of individual differences considered by existing research when tailoring their persuasive and behavior change systems, (3) students are among the most commonly targeted audience, and (4) education, health, and physical activity are the most considered domains in the surveyed papers. Based on our results, the paper provides insights and prospective future research directions.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle