iCare: Insights from the Evaluation of an App for Managing Stress Among Working-Class Indian Women
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Persuasive Technologies (PTs) are widely used for managing stress and improving well-being. PTs could contribute to the effort toward equality by making mental healthcare more accessible, even among underserved communities. However, most existing persuasive applications (apps) focus on designing for people in developed countries. Therefore, to address this gap, this paper presents the evaluation of iCare, a mobile health (mHealth) app for managing stress and improving well-being among an underserved population—the working-class Indian women. Specifically, we combined the power of mobile health and PTs to design the iCare app. To evaluate the effectiveness of iCare for stress management, 30 participants were recruited to use the app for two weeks and completed a post-test questionnaire about their experience followed by an optional interview with 22 participants to uncover additional insights. Quantitative questionnaire data was analyzed using descriptive and inferential statistics, while qualitative interview data was analyzed using a thematic analysis. Results showed that the iCare app was perceived as highly motivational, persuasive, and useful. Also, results show that using the iCare app brought significant positive changes by helping participants to better manage their stress and anxiety. We contribute to HCI research and practice by offering guidelines and insights for designing technologies for people from underserved communities.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle