The Shape of Mobile Health: A Systematic Review of Health Visualization on Mobile Devices
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
mHealth apps and tracking technology are becoming popular because they help people adopt a healthier lifestyle and form healthy habits. One way mHealth apps can help users is by presenting visuals to help them better understand their health data. Commendable efforts have been carried out to personalize health-promoting interventions to help users become more aware of their own health, and health practitioners for providing healthcare services. For example, digital self-tracking apps nowadays can be used to monitor physical activity, nutrition and sleep patterns. This systematic review aims to investigate the current trends, challenges, gaps, and opportunities in health visualizations on mobile devices. Peer-reviewed papers in English collected using online databases (ACM Digital Library, PubMed, and Web of Science) from 2012 to 2022 were considered, and 56 studies were selected out of 1,168 studies. Results showed that among 11 different health domains, general health and physical health were the most heavily studied. Relatedly, results also showed that physical fitness data is the most frequently collected data type automatically from sensors/trackers. Furthermore, bar and line charts are the most popular type of visualizations used for presenting a variety of health data, and while most apps present static visualizations, interactive visualizations, as well as a combination of both static and interactive visualizations, are becoming more common. Based on our results, we offer recommendations for future research as designers and researchers continue to improve the presentation of data visualizations in mHealth apps.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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