Notice bibliographique
Résumé
A scarcity of apps for high-risk pregnancy detection motivated researchers thoroughly to evaluate the various Android mobile applications to unveil the gaps in accuracy, functionality, and usability.This review provides crucial recommendations for future investigations in pregnancy monitoring app development.The current study systematically assess Android mobile appplications deploying Mobile Application Rating Scale (MARS) for engagement, functionality, aesthetics, and information evaluation.Additionally, app characteristics, pregnancy monitoring features, guidance, and minor pregnancy disorder monitoring were assessed.A total of 1,176 mobile apps are reviewed, with a mere 18 (1.53%)meeting inclusion criteria.17 (94.44%) of these focus on assessing pregnancyrelated concerns, and exceptional MARS grade of 4.29 out of 5. Notably, the app functionality evaluation received the maximum score of 4.72.Furthermore, 7 (27%) track particular pregnancy issues, while 16 (88.88%)apps track tiredness.In addition, 14 applications (77.78%) are dedicated to monitoring minor pregnancy problems.Pregnancy Tracker, Pregnancy App, and Baby Tracker have a commendable 4.7-star rating and provide thorough pregnancy information.Minor disorders are tracked by Mylo Pregnancy, Pregnancy Track, Maternal Care, Pregnancy Calculator, and Ovia Pregnancy.What to Expect, Healofy, Amma Pregnancy, and My Pregnancy outshine with MARS scores above 4.75 to 5, confirming best user experiences.Due to certain security and privacy considerations, the study was limited to evaluate selective applications.This review findings guide future mobile health research in a moving context.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».