Crowdsourcing Remote Co-design Towards Improving the Validity and Reliability of mHealth Application Development – A Case Study on Sleep Solved: A mHealth App Designed Virtually with Teens
Notice bibliographique
Résumé
INTRODUCTION: Co-design has become a fundamental pillar of formative digital health research. Typically, this approach involves in–person workshops that involve a rich but limited amount of data. Virtually crowdsourcing co-design, however, provides the promise of rapid and vastly increased data. This is a novel, exploratory approach in mHealth design that may appease common health research concerns surrounding reliability and validity, whilst providing swifter feedback to meet product development timelines.OBJECTIVES: The objective of this exploratory single case study was to explore the virtual, crowdsourced, co-design of Sleep Solved, an educational mHealth sleep app designed with teens. In doing so, we wished to learn which virtual methods were used to engage teens in the co-design and to explore how these virtual co-design methods can be adapted for large-scale ideation and testing.METHODS: We conducted an enquiry-based iterative case study utilising the Bayazit 3-stage model. 85 teens participated over 11 months. Data was thematically analysed over several design iterations.RESULTS: Rapid virtual feedback allowed for quick pivots in a short time frame. Four stages of feedback from teens led to iterative changes to scientific information contextualisation and user experience, from lo-fidelity mock-ups through to a coded app beta.CONCLUSION: The co-design of Sleep Solved exemplified the potential of virtually crowdsourcing teens in mHealth. Key to this evolution will be the ability to leverage big data utilising AI and machine learning approaches to data collation and synthesization, such that meaningful and contextual findings can be applied in line with software development timelines.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».