Exploring usability characteristics in computer-based digital health technologies for family caregivers of people with chronic progressive conditions: A scoping review
Notice bibliographique
Résumé
Objective To examine usability characteristics/attributes and evaluation methods incorporated in the design and/or evaluation of computer-based digital technologies for caregivers of people with chronic progressive conditions. Methods We searched Medline (OVID), PsycINFO (Ovid), CINAHL (EBSCO), and Web of Science Core Collection to identify relevant studies published from 2012 to May 2024. Two reviewers screened studies for eligibility, and extracted and synthesized data. Results Across 71 included studies, sample sizes ranged between 5 and 127. Most participants were caregivers of people with dementia ( n = 52, 73.2%). There was a mix of caregiving relationships across the 55 studies (77.5%) reporting this variable, with spouses most frequently included ( n = 51, 92.7%). Samples were predominantly female (72.1%), with mean ages between 43.0 and 76.7 years old. Most technologies were Website/Internet-based ( n = 43, 60.6%). Across the studies, we identified 31 distinct usability characteristics/attributes, with more than half of the studies ( n = 45, 63.4%) including at least three characteristics/attributes. However, nearly half of the studies ( n = 32, 45.1%) used a single usability evaluation method, predominantly inquiry-based interviews ( n = 15, 21.1%). Conclusion Findings reflect a narrow focus on middle-aged, female, and spousal caregivers, limiting the utility of digital health technologies for more diverse groups of caregivers. In addition to commonly used inquiry-based usability evaluation methods, user-testing, heuristic evaluation, and analytic modelling may offer more adaptive and holistic approaches to address a wider range of digital technologies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».