MétaCan
Menu
← Retour à la cohorte
Enregistrement W4388655657 · doi:10.2196/48637

Feasibility and Usability of the Job Adjustment Mobile App for Pregnant Women: Longitudinal Observational Study

2023· article· en· W4388655657 sur OpenAlexvenueno aff
Aya Wada, Yasuka Nakamura, Maiko Kawajiri, Yoko Takeishi, Mikako Yoshida, Toyoko Yoshizawa

Notice bibliographique

RevueJMIR Formative Research · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueGestational Diabetes Research and Management
Établissements canadiensnon disponible
Organismes subventionnairesJapan Society for the Promotion of Science
Mots-clésUsabilityObservational studySystem usability scalePregnancyMobile appsMedicineApplied psychologyGestationPsychologyPhysical therapyComputer scienceWeb usabilityWorld Wide WebInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Working pregnant women often need to adjust their physically demanding jobs for a healthy pregnancy. However, uncertainty about the extent of these adjustments can hinder their effectiveness. To address this, we developed the Job Adjustment mobile app, which allows users to input job and health details to generate a variety of personalized action plans. As this is the first version of the app, assessing its feasibility and usability is crucial. OBJECTIVE: This study aims to verify the feasibility and usability of the Job Adjustment mobile app. METHODS: A longitudinal observational study was conducted on pregnant Japanese women who were allowed to use the app anytime from 12 to 34 weeks of gestation; they received reminder emails every 2 weeks encouraging app use. A questionnaire was administered before app use and at 20 and 32 weeks of gestation. Feasibility was evaluated across 4 domains: implementation, demand, acceptability, and adverse events. Implementation was evaluated based on 3 parameters: dropout rate, initial reminder email receipt rate, and adherence rate (measured as pregnant women who used the app at intervals of 2.5 weeks or less). Demand was measured by intervals between use and intervals between log-in, and participants answered 15 questions to assess acceptability. Adverse events were assessed by analyzing the degree of anxiety related to work. Demographic data were analyzed to determine any statistically significant differences in intervals between uses. Usability was evaluated using the System Usability Scale. RESULTS: The analysis included 66 pregnant women, and 61% (n=40) of them were multipara. The dropout rate, adherence rate, and initial reminder email receipt rate were 18% (13/71), 44% (29/66), and 79% (52/66) respectively. The median intervals between use and intervals between log-in were 2.94 (IQR 2.00-5.13) weeks and 2.28 (IQR 1.81-4.00) weeks, respectively. Overall, 60% (35/58) to 90% (52/58) of the participants responded positively to all 15 questions assessing acceptability, and no anxiety regarding work was recorded. The mean System Usability Scale score was 66.1 points. Multipara women had significantly longer intervals between app use compared to primipara women (P=.01). CONCLUSIONS: The results demonstrated acceptable levels of feasibility and usability of the app. However, the low adherence rates, especially among multipara women, suggest the need for modifications to reduce the time burden of the app. Further research should explore more effective and acceptable intervals between use and timing, involving a larger sample and accounting for diverse characteristics of pregnant women. TRIAL REGISTRATION: UMIN Clinical Trials Registry UMIN000042943; https://tinyurl.com/ydrchfas.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,015
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,225
Tête enseignante GPT0,469
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetGestational Diabetes Research and Management→Travaux en français237 207→