End-users’ satisfaction and adoption regarding the implementation of a technology solution for screening and counselling individuals with suspicious COVID-19: a cross-section study
Notice bibliographique
Résumé
Abstract Purpose We evaluated the end-users’ satisfaction and the adoption of a technology solution embedding a clinical decision algorithm for screening and counselling individuals with suspicious COVID-19. Methods This was a cross-sectional study. Data was collected by the startup company Hi! Healthcare Intelligence . Satisfaction was measured using two questions presenting answer options as Likert scales of eleven points (from 0 to 10), in which 0 indicated low satisfaction and 10 indicated high satisfaction. We measured ‘general satisfaction’ through the average of questions 1 and 2. Descriptive analyses were used to summarize the data. Results The average satisfaction regarding the experience in using the technology solution and regarding the ‘recommendation for a friend or family’ was 7.94 (95% confidence interval [CI] 7.60 to 8.28) and 8.14 (95% CI 7.80 to 8.48), respectively. ‘General satisfaction’ was 8.04 (95% CI 7.70 to 8.37). The adoption regarding the implementation of the technology solution was 24.5% ( n = 265). Conclusion The technology solution embedding a clinical decision algorithm for screening and counselling individuals with suspicious COVID-19 presented high satisfaction. One in four (¼) individuals interested in using the technology solution actually adopted it by following the clinical decision algorithm until the end, when counselling was provided.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».