mHealth Technology Experiences of Middle-Aged and Older Individuals With Visual Impairments: Cross-Sectional Interview Study
Notice bibliographique
Résumé
BACKGROUND: Current mobile health (mHealth) technology is predominantly designed with a visual orientation, often resulting in user interfaces that are inaccessible to visually impaired users. While mHealth technology offers potential for facilitating chronic illness management and enhancing health behaviors among visually impaired older populations, understanding its usage remains limited. OBJECTIVE: This qualitative research aimed to explore the mHealth technology experiences of middle-aged and older individuals with visual impairments including the accessibility and usability issues they faced. METHODS: The qualitative exploration was structured using the mHealth for Older Users framework. Cross-sectional interviews were conducted via Zoom between June 1 and July 31, 2023, using an interview protocol for data collection. A thematic analysis approach was employed to analyze the transcribed interview scripts. RESULTS: Of the 7 participants who took part in the Zoom interviews, 3 were men and 4 were women, with ages ranging from 53 to 70 years. Most participants adopted mHealth apps and wearable devices for promoting health. They exhibited 3 distinct adoption patterns. Seven themes were emerged from the perceived challenges in using mHealth technologies: (1) a scarcity of accessible user manuals, (2) user interfaces that are not visually impaired-friendly, (3) health data visualizations that are not accessible, (4) unintuitive arrangement of app content, (5) health information that is challenging to comprehend, (6) cognitive overload caused by an excess of audible information, and (7) skepticism regarding the accuracy of health records. mHealth technologies seem to positively affect the health and health management of participants. CONCLUSIONS: Design considerations for mHealth technologies should consider individuals' disabilities and chronic conditions and should emphasize the importance of providing accessible manuals and training opportunities when introducing new mHealth solutions.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».