Generating user-driven patient personas to support preventive health care activities of rural-living unattached patients
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
Objective: This study created personas using quantitative segmentation and knowledge user enhancement to inform intervention and service design for rural patients to encourage preventive care uptake. Methods: This study comprised a cross-sectional survey of rural unattached patients and a co-design workshop for persona development. Cross-sectional survey data were analyzed for meaningful subgroups based on quartiles of preventive care completion. These quartiles informed "relevant user segments" grouped according to demographics (age, sex), length of unattachment, percentage of up-to-date preventive activities, health care visit frequency, preventive priorities, communication confidence with providers, and chronic health conditions, which were then used in the workshop to build the final personas. Results: 207 responses informed persona user segments, and five health care providers and 13 patients attended the workshop. The resulting four personas, included John (not up-to-date on preventive care activities), Terrance (few up-to-date preventive care activities), George (moderately up-to-date preventive care activities), and Anne (mostly up-to-date preventive care activities). Conclusion: Quantitative persona development with integrated knowledge user co-design/enhancement elevated and enriched final personas that achieved robust profiles for intervention design. Innovation: This project's use of a progressive methodology to build robust personas coupled with participant feedback on the co-design process offers a replicable approach for health researchers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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