Leveraging mHealth to Mitigate the Impact of COVID-19 in Black American Communities: Qualitative Analysis
Notice bibliographique
Résumé
Background COVID-19 remains an ongoing public health crisis. Black Americans remain underrepresented among those vaccinated and overrepresented in both COVID-19 morbidity and mortality. Medical misinformation, specifically related to COVID-19, has exacerbated the impact of the disease in Black American communities. Communication tools and strategies to build relationships and disseminate credible and trustworthy diagnostic and preventative health information are necessary to improve outcomes and equity for historically oppressed populations. Objective As the initial phase of a larger mixed methods project to develop, pilot, and evaluate a mobile health (mHealth) intervention among a population at high risk for COVID-19 and cardiovascular comorbidities, this study sought to explore COVID-19 information behavior among Black Americans. Specifically, this study examined (1) preferences for COVID-19 education via mHealth, (2) barriers and facilitators to COVID-19 education and diagnostic testing and routine care for associated cardiovascular and respiratory comorbidities in the local community, and (3) key content for inclusion in a COVID-19 mHealth app. Methods This qualitative study used principles of community-based participatory research and information systems research to conduct 7 focus groups across 3 sites. Focus groups were audio recorded and transcribed for thematic analysis using an abductive approach. Results The study sample included 54 individuals across sites with a mean age of 50.24 (SD 11.76; range 20-71) years. Participants were primarily female (n=42, 78%) and Black (n=54, 100%) with varied education levels. Over half (n=29, 54%) of the participants were employed full-time, and nearly three-fourths (n=40, 74%) had household incomes Conclusions Increasing transparency and building trust are 2 key strategies that may improve the impact of health information messaging in Black communities. Focusing on content over context fails in the provision of critical health information and perpetuates health inequities by reinforcing systemic and structural racism. COVID-19 messaging must consider contextual information, patient needs and preferences, and patient information-seeking and information-search behaviors to establish trust and credibility, positively impact patient health outcomes, and improve health equity.
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 | 0,024 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».