Revitalizing wellbeing: App design for stress reduction through artificial intelligence and persuasive technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• This paper details the design, development, and evaluation of an mHealth application called “SmileApp,” which aims to promote positive emotions as a way to address stress. • A total of 101 participants used the app for 14 days, completed a questionnaire about their experience, and a subset of participants also participated in interviews to provide additional insights. • SmileApp uses artificial intelligence and persuasive technology to promote positive emotions. • Our findings offer valuable insights into how technology can enhance emotional well-being, with important implications for the design and development of future mHealth applications. Digital health technologies, particularly mobile health (mHealth) applications have been shown to address various needs, such as stress management and the promotion of positive health habits. In this research, we designed, developed, and evaluated an mHealth application called “SmileApp” to promote positive emotions as a means of addressing stress. SmileApp utilizes the advantages of artificial intelligence and persuasive technology and was created by incorporating well-established psychological theories and models. To evaluate the effectiveness of SmileApp , we conducted a 14-day within-subject study involving 101 participants in-the-wild. This is followed by an interview with 23 participants. Our results show that SmileApp can promote positive emotions using artificial intelligence and persuasive technology. Our findings underscore the importance of utilizing technology to support emotional wellbeing and lay the groundwork for further research and development in this area. The implications of this study demonstrate a paradigm shift in mHealth app design by introducing a new approach of promoting desired behaviors by encouraging users to read persuasive messages and play mobile games using their smile.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle