Exploring Young Adults' Attitudes Toward AI-Driven mHealth Apps: Qualitative Study
Notice bibliographique
Résumé
Background: Artificial intelligence (AI)-driven mobile health (mHealth) apps are emerging as a promising tool for health management, yet little is known about users' psychological perceptions and attitudes toward these technologies. Understanding these aspects is crucial for both the appropriate design and the effective use of these technologies, ensuring the psychological and physical well-being of potential end users. Objective: This study aimed to investigate the attitudes and perceptions of young adults toward a possible use of AI-driven mHealth apps, focusing on the perceived benefits and potential concerns related to their future adoption. Methods: A qualitative focus group methodology was used. Fifteen participants (12 men, 3 women; mean age 27 years, range: 25-34 years) were recruited. Data were analyzed using thematic analysis to identify key themes influencing engagement with these technologies. Results: Four main themes emerged: "Usability," which emphasized the importance of user-friendly, personalized experiences; "Innovation and Reliability," where participants expressed both enthusiasm and skepticism towards AI's potential; "Affectivity and Interaction with AI," highlighting mixed opinions on the emotional impact of AI interactions; and "Perceived Risks," which focused on concerns regarding data privacy and the need for human supervision. These factors contributed to ambivalent attitudes toward AI-driven mHealth apps, with some participants being open to adoption, while others remained cautious. Conclusions: To foster greater engagement with AI-driven mHealth apps, developers should prioritize usability, trust, emotional support, and privacy issues, considering users' psychological needs and expectations. The findings offer valuable insights for designing more user-oriented mHealth solutions. Further research should explore how perceptions evolve with direct experience and long-term use.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».