Individual differences in views toward healthcare conversational agents: A cross-sectional survey study
Notice bibliographique
Résumé
Background and Objective: To date, there has been limited research on people's attitudes and design preferences with respect to conversational agents (CAs) that are used for healthcare. Individual differences in attitudes and design preferences have received particularly little attention. The purpose of this study was to gain greater insight into this topic. Methods: We recruited American and Canadian residents through the online research platform Prolific. Participants completed a cross-sectional survey assessing demographic, personality, and health factors, as well as attitudes and design preferences with respect to healthcare CAs. Hierarchical regressions were used to determine demographic, personality, and health predictors of attitudes and design preferences. Results: = 12.94) were included in the analysis. Participants tended to report slightly positive attitudes toward healthcare CAs, with more positive attitudes among American residents and people with lower income, lower education levels, and higher levels of the personality factor conscientiousness. In general, participants preferred CAs that use text communication, have unrestricted language input, are disembodied, and simulate health professionals in their presentation. CAs that use text communication were preferred to a greater degree among people with higher levels of digital health literacy, and disembodied CAs were preferred to a greater degree among people with lower levels of conscientiousness. Conclusion: The results of this study provide insight into people's attitudes and design preferences with respect to healthcare CAs. This information will help guide developers on how to better design and market CAs for the health sector, which may increase people's adoption and use of these programs.
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 | 0,000 | 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 ».