Impact of cardiovascular risk visualization on motivation to self-manage young-onset type 2 diabetes
Notice bibliographique
Résumé
AIMS: To investigate the accessibility, credibility, emotional responses, and impacts of cardiovascular risk visualizations in motivating self-management of young-onset type 2 diabetes (YOD). METHODS: We conducted a mixed-methods study among adults with YOD (age at diagnosis < 40 years, disease duration < 10 years) in Ontario, Canada. We created 6 visualizations (5-year risk: linear scale, icon array, bar graph; lifetime risk: bar graph, icon array; cardiovascular age). We measured numeracy, graph literacy, accessibility, credibility, and emotional responses. We used linear regression to measure associations among these variables. We conducted semi-structured interviews to explore impacts on motivation. RESULTS: We included 31 participants (54.8% women, mean age 37.5 years). The lifetime risk bar graph and icon array received the highest accessibility (P = 0.008), similarly high credibility (P = 0.1), the highest negative emotion (P = 0.004), and similar positive emotion (P = 0.6) scores compared to the other visualizations. The lifetime risk visualizations evoked feelings of urgency or fear, which strongly enhanced motivation. Only the lifetime risk bar graph had high accessibility and credibility scores across all levels of numeracy and graph literacy. Graph literacy was negatively associated with positive emotion. CONCLUSIONS: Lifetime risk visualizations, especially bar graphs, are more accessible and emotionally evocative in potentially motivating self-management of YOD than other visualizations.
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 | 0,001 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».