Artificial Intelligence-Driven Usability Testing Products and Ethical Considerations for Medical Solutions Design
Notice bibliographique
Résumé
Usability testing is critical to developing equitable medical devices and digital health tools; however, traditional methods have been found to be resource-intensive and inconsistent, posing concerns for the adequate representation of marginalized communities in medical solution development. Artificial intelligence (AI)-driven usability testing methods have emerged as a promising solution to assist user experience (UX) analysts with their evaluation and mitigating potential evaluator bias. However, its reliability, particularly its impact on inclusivity and equity of marginalized communities, remains uncertain. Following the findings of a previous narrative literature review, this competitive evaluation assessed on-the-market AI-informed tools from seven prominent usability testing platforms, comparing the current state of AI-driven usability testing in the literature and commercially, using an adapted Society of Automotive Engineers five levels of automation and a three-level equity consideration scale. Six platforms offered Level 1 automation AI-products, assisting UX evaluators with facilitation and data analysis, while one achieved Level 3 conditional automation. Four platforms did not explicitly address the equity impact of their products, with only one platform incorporating a bias-reduction feature. Overall, AI-informed tools provide potentially inexpensive usability testing alternatives for digital health tools; however, more research is required to validate the consistency, accuracy, and reliability of these tools in usability testing practice.
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 | 0,343 | 0,503 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».