Motivations for Use, User Experience and Quality of Reproductive Health Mobile Applications in a Pre-Menopausal User Base: A Scoping Review
Notice bibliographique
Résumé
Background: The global mHealth market is growing at an unprecedented rate and is expected to reach an estimated value of $187.7 billion by 2033, with many apps now addressing women’s health and the menstrual cycle. This scoping review (ScR) aimed to comprehensively assess and describe the existing peer-reviewed literature on motivations for use, user experience, and reproductive health app quality. Methods: The protocol and review were conducted according to the JBI methodology and PRISMA guidelines for scoping reviews. Studies published in English since 2010 were included and searched in MEDLINE, Embase (Ovid platform), Scopus (Elsevier), ACM Digital Library, and IEEE Xplore. Studies were screened independently by two reviewers and the data explored through charting and synthesis. Results: Data were extracted from 58 papers published in English between 2014 and 2023. Several major themes related to motivations for app use, user experience, and app quality were identified and are reported on. Conclusions: Users were motivated to engage in reproductive health apps for education, contraception, and conception. This ScR identified several benefits, such as improving menstrual health literacy. We also identified limitations of current reproductive health apps that adversely affect user experience. Recommendations for future studies include increasing diversity, exploring perspectives of different user groups, and investigating the role healthcare providers may have in app development and patient education.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».