Understanding User Perceptions of Personalized Feedback in Digital Health Tools
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 study aimed to explore how users perceive and emotionally respond to personalized feedback in digital health tools. A qualitative research design was employed using semi-structured interviews with 20 adult participants from Mexico who had experience using digital health tools with personalized feedback features. Participants were selected through purposive sampling, and data collection continued until theoretical saturation was achieved. Interviews were audio-recorded, transcribed, and thematically analyzed using NVivo 14. The coding process followed three stages: open coding, axial coding, and selective coding, ensuring a comprehensive understanding of user experiences and interpretive patterns. Analysis revealed four core themes: perceived effectiveness of feedback, personal relevance and cultural fit, communication and design quality, and trust, privacy, and emotional resonance. Participants valued motivational and positively framed feedback that aligned with their health goals, but criticized messages that were overly generic, intrusive, or lacking emotional intelligence. Users expressed a preference for customizable settings, culturally and linguistically appropriate messages, and visual formats such as graphs or summaries. Trust in the system was strongly influenced by the tone, clarity, and perceived transparency of the feedback, while overly frequent or robotic messages sometimes triggered negative emotional reactions or disengagement. User perceptions of personalized feedback in digital health tools are multifaceted and shaped by emotional, cultural, cognitive, and technological factors. For feedback systems to be effective and engaging, they must be adaptive, empathetic, and contextually relevant. Incorporating user control, emotional intelligence, and cultural sensitivity into feedback design can enhance trust, increase adherence, and ultimately improve digital health outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 découle