Evaluating the Energy Efficiency of Popular US Smartphone Health Care Apps: Comparative Analysis Study Toward Sustainable Health and Nutrition Apps Practices
Notice bibliographique
Résumé
BACKGROUND: The emergence of smartphones has sparked a transformation across multiple fields, with health care being one of the most notable due to the advent of mobile health (mHealth) apps. As mHealth apps have gained popularity, there is a need to understand their energy consumption patterns as an integral part of the evolving landscape of health care technologies. OBJECTIVE: This study aims to identify the key contributors to elevated energy consumption in mHealth apps and suggest methods for their optimization, addressing a significant void in our comprehension of the energy dynamics at play within mHealth apps. METHODS: Through quantitative comparative analysis of 10 prominent mHealth apps available on Android platforms within the United States, this study examined factors contributing to high energy consumption. The analysis included descriptive statistics, comparative analysis using ANOVA, and regression analysis to examine how certain factors impact energy use and consumption. RESULTS: Observed energy use variances in mHealth apps stemmed from user interactions, features, and underlying technology. Descriptive analysis revealed variability in app energy consumption (150-310 milliwatt-hours), highlighting the influence of user interaction and app complexity. ANOVA verified these findings, indicating the critical role of engagement and functionality. Regression modeling (energy consumption = β₀ + β₁ × notification frequency + β₂ × GPS use + β₃ × app complexity + ε), with statistically significant P values (notification frequency with a P value of .01, GPS use with a P value of .05, and app complexity with a P value of .03), further quantified these bases' effects on energy use. CONCLUSIONS: The observed differences in the energy consumption of dietary apps reaffirm the need for a multidisciplinary approach to bring together app developers, end users, and health care experts to foster improved energy conservation practice while achieving a balance between sustainable practice and user experience. More research is needed to better understand how to scale-up consumer engagement to achieve sustainable development goal 12 on responsible consumption and production.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».