Co‐Designing <scp>AI</scp> ‐Generated Vaping Awareness Materials With Adolescents and Young Adults: A Qualitative Study
Notice bibliographique
Résumé
INTRODUCTION: Developing mass meda campaigns to address rising youth vaping rates in Australia is timely and resource-intensive. Generative AI offers scalable content production, but little is known about youth perceptions of AI-generated multimedia materials or how their feedback can inform co-design processes. METHODS: We conducted a two-phase qualitative study in Queensland, Australia. Phase 1 explored adolescent (n = 10, ages 13-20) responses to 120 vaping awareness materials produced using an automated-AI framework. Focus group participants sorted materials into 'effective' and 'ineffective' piles and provided feedback. Based on feedback and quality criteria, 25 revised materials were created using an AI co-design framework incorporating iterative, few-shot prompting and manual text-image integration. Phase 2 explored young adult (n = 9, ages 18-25) perceptions of revised materials via semi-structured interviews. Inductive thematic analysis was conducted. RESULTS: Phase 1 participants rejected automated-AI-generated materials due to misaligned text-image combinations, artificial imagery, unrealistic vaping devices, and inauthentic language. Phase 2 identified six key characteristics of effective AI-co-designed materials that aligned with established health communication principles including visual appeal; focus on immediate consequences; relevance to youth; provision of practical advice; avoidance of ambiguity and fearmongering; and integration of multiple themes to reach diverse youth audiences. DISCUSSION AND CONCLUSIONS: AI tools can rapidly generate messages but an AI-co-design framework incorporating expert input and audience feedback is required to produce materials that are relevant, authentic, and evidence-based. This framework offers a promising pathway for developing timely, scalable responses to public health challenges such as youth vaping; though continued research is needed for effective and ethical implementation across diverse contexts.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».