Usability and Usefulness of SMS-Based Artificial Intelligence Intervention (Mwana) on Breastfeeding Outcomes in Lagos, Nigeria: Pilot App Development Study
Notice bibliographique
Résumé
Background: Nigeria has one of the highest child mortality rates globally, with 111 deaths per 1000 live births. Exclusive breastfeeding (EBF) improves infant survival by providing essential nutrients and antibodies that protect against infections and diseases. Despite its benefits, EBF rates in Nigeria remain low at 29%, largely due to limited health care support and breastfeeding guidance. With the proliferation of mobile phones in Nigeria, mobile health (mHealth) interventions are being explored as scalable solutions. SMS text messaging interventions have demonstrated success in delivering behavioral interventions; yet, few use artificial intelligence (AI) for personalized breastfeeding support. Objective: This study evaluates the effectiveness of Mwana, an AI-powered SMS-based app, in improving breastfeeding outcomes for postpartum mothers in Lagos, Nigeria. Methods: Mwana was developed using TextIt for SMS integration and Meta's Wit.ai for natural language processing (NLP). The chatbot provides breastfeeding support via SMS, offering personalized tips, addressing common challenges, and connecting users to human agents when necessary. The intervention was piloted with 216 postpartum mothers recruited through local health care networks, focusing on usability, usefulness, and engagement. The study used a mixed methods approach, using structured surveys and observation to assess participant experiences at multiple intervals over a 6-month period. Primary outcomes measured were app usability, usefulness, and breastfeeding adherence. Results: The intervention was well-received, with high scores for both usefulness (mean 4.01, SD 1.41) and usability (mean 3.92, SD 1.35) on a 5-point scale. The majority of respondents, 57% (118/206), rated the chatbot's usefulness at the highest score of 5. Qualitative feedback statements identified areas for improvement, including enhancing AI comprehension, response times, and human-like interaction. Conclusions: The study highlights the potential of Mwana to improve breastfeeding outcomes in resource-limited settings, contributing to the growing body of evidence supporting mHealth interventions in maternal and child health. By leveraging personalized messaging, SMS-based delivery, and language localization, Mwana offers a scalable, accessible solution. However, challenges remain regarding AI comprehension, and further research is necessary to evaluate Mwana's effectiveness among populations not actively engaged with health care services. Future iterations will expand AI training datasets, refine NLP capabilities, and scale to broader populations.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».