Toward Personalized Digital Experiences to Promote Diabetes Self-Management: Mixed Methods Social Computing Approach
Notice bibliographique
Résumé
Background: Type 2 diabetes affects nearly 34.2 million adults and is the seventh leading cause of death in the United States. Digital health communities have emerged as avenues to provide social support to individuals engaging in diabetes self-management (DSM). The analysis of digital peer interactions and social connections can improve our understanding of the factors underlying behavior change, which can inform the development of personalized DSM interventions. Objective: Our objective is to apply our methodology using a mixed methods approach to (1) characterize the role of context-specific social influence patterns in DSM and (2) derive interventional targets that enhance individual engagement in DSM. Methods: Using the peer messages from the American Diabetes Association support community for DSM (n=~73,000 peer interactions from 2014 to 2021), (1) a labeled set of peer interactions was generated (n=1501 for the American Diabetes Association) through manual annotation, (2) deep learning models were used to scale the qualitative codes to the entire datasets, (3) the validated model was applied to perform a retrospective analysis, and (4) social network analysis techniques were used to portray large-scale patterns and relationships among the communication dimensions (content and context) embedded in peer interactions. Results: The affiliation exposure model showed that exposure to community users through sharing interactive communication style speech acts had a positive association with the engagement of community users. Our results also suggest that pre-existing users with type 2 diabetes were more likely to stay engaged in the community when they expressed patient-reported outcomes and progress themes (communication content) using interactive communication style speech acts (communication context). It indicates the potential for targeted social network interventions in the form of structural changes based on the user's context and content exchanges with peers, which can exert social influence to modify user engagement behaviors. Conclusions: In this study, we characterize the role of social influence in DSM as observed in large-scale social media datasets. Implications for multicomponent digital interventions are discussed.
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 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».