Expanding a Behavioral View on Digital Health Access: Drivers and Strategies to Promote Equity
Notice bibliographique
Résumé
The potential and threat of digital tools to achieve health equity has been highlighted for over a decade, but the success of achieving equitable access to health technologies remains challenging. Our paper addresses renewed concerns regarding equity in digital health access that were deepened during the COVID-19 pandemic. Our viewpoint is that (1) digital health tools have the potential to improve health equity if equitable access is achieved, and (2) improving access and equity in digital health can be strengthened by considering behavioral science-based strategies embedded in all phases of tool development. Using behavioral, equity, and access frameworks allowed for a unique and comprehensive exploration of current drivers of digital health inequities. This paper aims to present a compilation of strategies that can potentially have an actionable impact on digital health equity. Multilevel factors drive unequal access, so strategies require action from tool developers, individual delivery agents, organizations, and systems to effect change. Strategies were shaped with a behavioral medicine focus as the field has a unique role in improving digital health access; arguably, all digital tools require the user (individual, provider, and health system) to change behavior by engaging with the technology to generate impact. This paper presents a model that emphasizes using multilevel strategies across design, delivery, dissemination, and sustainment stages to advance digital health access and foster health equity.
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 | 0,010 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».