Effectiveness of the CoronaCheck Mobile Health Application: An Analytical Cross-sectional Study in Lower–Middle-Income Countries
Notice bibliographique
Résumé
In low- and middle-income countries (LMICs), digital health has repeatedly proven to play a promising role in optimizing the level of care available and accessible to vulnerable populations in a timely and cost-effective manner. Despite financial constraints, digital technologies have demonstrated unique potential in reaching typically inaccessible groups, including refugee and internally displaced populations. Given the potential of digital health to bridge gaps in healthcare coverage, enhance quality, and improve affordability, this study aimed to assess the effectiveness of the CoronaCheck mHealth application among people in LMICs. This analytical cross-sectional study spanned multiple LMICs, focusing on males and females aged 18 years and older in regions such as Pakistan, Afghanistan, Kenya, and Tajikistan. Participants were selected through convenient sampling. Knowledge change and self-reported behavior change were assessed. The p -value of <0.05 was considered statistically significant. A total of 1507 participants responded to the survey. A difference in knowledge among countries was observed with a statistically significant p -value of <0.001. An effect modification was observed between gender and refugees/migrants with a statistically significant p -value of <0.1. A substantial self-reported behavior change was identified among those residing in informal settlements with a significant p -value of <0.001. Moreover, the users expressed a high level of satisfaction with the application. The CoronaCheck application has demonstrated its effectiveness in promoting both knowledge change and self-reported behavior change among people in LMICs. The user-friendly nature of the application, coupled with its accessibility at no cost, represents an asset in promoting health education and awareness.
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) | 0,001 | 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 ».