Utilizing User Preferences in Designing the AGILE (Accelerating Access to Gender-Based Violence Information and Services Leveraging on Technology Enhanced) Chatbot
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
INTRODUCTION: Technology advancements have enhanced artificial intelligence, leading to a user shift towards virtual assistants, but a human-centered approach is needed to assess for acceptability and effectiveness. The AGILE chatbot is designed in Kenya with features to redefine the response towards gender-based violence (GBV) among vulnerable populations, including adolescents, young women and men, and sexual and gender minorities, to offer accurate and reliable information among users. METHODS: We conducted an exploratory qualitative study through focus group discussions (FGDs) targeting 150 participants sampled from vulnerable categories; adolescent girls and boys, young women, young men, and sexual and gender minorities. The FGDs included multiple inquiries to assess knowledge and prior interaction with intelligent conversational assistants to inform the user-centric development of a decision-supportive chatbot and a pilot of the chatbot prototype. Each focus group comprised 9-10 members, and the discussions lasted about two hours to gain qualitative user insights and experiences. We used thematic analysis and drew on grounded theory to analyze the data. RESULTS: The analysis resulted in 14 salient themes composed of sexual violence, physical violence, emotional violence, intimate partner violence, female genital mutilation, sexual reproductive health, mental health, help-seeking behaviors/where to seek support, who to talk to, and what information they would like, features of the chatbot, access of chatbot, abuse and HIV, family and community conflicts, and information for self-care. CONCLUSION: Adopting a human-centered approach in designing an effective chatbot with as many human features as possible is crucial in increasing utilization, addressing the gaps presented by marginalized/vulnerable populations, and reducing the current GBV epidemic by moving prevention and response services closer to people in need.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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