Health Workers’ Perspectives on Mobile Health Care Learning Stickiness: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Doctor-to-Doctor (D2D) is a mobile learning app that aims to support continuous learning in health care, commonly known as continuing medical education. One of the metrics of success in mobile learning is the average amount of time spent each month on the app, which is a component of stickiness, the tendency of users to use apps repeatedly. Stickiness metrics are important because stickiness has a direct effect on user retention. OBJECTIVE: This study aimed to determine the factors influencing user stickiness of the D2D mobile learning app. The research framework was based on the stimulus-organism-response theory. METHODS: This study used a mixed methods approach, including a web-based questionnaire (quantitative data) and interviews (qualitative data). We recruited 520 health worker respondents, including general practitioners, dentists, specialists, and medical students, as users of the D2D app. Quantitative data processing was conducted using covariance-based structural equation modeling, whereas qualitative analysis was conducted on the data from 15 respondents using the content analysis method. RESULTS: On the basis of the web-based questionnaire (quantitative) results, we found that cognitive (P=.01) and emotional (P=.004) app relationship quality affected health workers' stickiness in mobile learning. On the other hand, factors related to the functionality of the app and health workers' experience were proven to affect cognitive and emotional app relationship quality (P<.005). In addition, according to interview (qualitative) data, the performance of apps for mobile learning is influenced by information quality and information processing speed, which are needed to deliver a more efficient learning process and reduce the possibility of misunderstanding in the interpretation of learning materials. The user experience is influenced by gamification factors to make the learning process more fun, especially for medical students who do not have to obtain professional credit units (referred to as satuan kredit profesional in Indonesia), unlike physicians or specialists. CONCLUSIONS: The results of this study will help mobile learning service providers increase user stickiness in mobile learning, for example, through processing speed, the quality of the information presented, security features, personalized content recommendations, and gamification.
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 | 0,031 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».