Cultural and Contextual Adaptation of Digital Health Interventions: Narrative Review
Notice bibliographique
Résumé
BACKGROUND: Emerging evidence suggests that positive impacts can be generated when digital health interventions are designed to be responsive to the cultural and socioeconomic context of their intended audiences. OBJECTIVE: This narrative review aims to synthesize the literature about the cultural adaptation of digital health interventions. It examines how concepts of culture and context feature in design and development processes, including the methods, models, and content of these interventions, with the aim of helping researchers to make informed decisions about how to approach cultural adaptation in digital health. METHODS: Literature searches for this narrative review were conducted across 4 databases. Following full-text article screening by 2 authors, 16 studies of interventions predominantly focused on the self-management of health were selected based on their detailed focus on the process of cultural adaptation. Key considerations for cultural adaptation were identified and synthesized through a qualitative narrative approach, enabling an integrative and in-depth understanding of cultural adaptation. RESULTS: The literature demonstrates varying approaches and levels of cultural adaptation across stages of intervention development, involving considerations such as the research ethos orienting researchers, the methodologies and models used, and the resultant content adaptations. In relation to the latter, culturally appropriate and accessible user interface design and translation can be seen as particularly important in shaping the level of adaptation. CONCLUSIONS: Optimizing cultural adaptation involves linking culture with other contextual factors such as economic conditions and social systems to ensure accessibility and the sustained use of digital health interventions. Culturally humble approaches that use the involvement of a broad range of participants, experts, and other stakeholders are demonstrated to spark vital insights for content development, implementation, and evaluation.
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 | 0,017 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».