Cheat, curse, or comply? Wearable users’ proactive, avoidant-reactive, and ameliorative-reactive coping with negative incidents
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
Despite their promise in promoting healthy behaviour, wearable self-tracking devices often fall short of long-term effectiveness due to negative user experiences. This study adopts a coping-theoretic perspective to explore how users respond to negative incidents. Drawing on narrative data from 62 long-term users of wearable self-tracking devices in Switzerland, the analysis identifies different categories of coping: Proactive coping involves anticipatory strategies aimed at preventing incidents, such as cognitive reinterpretation, seeking social support, cheating and manipulating information, and selective use. Reactive coping emerged in two subcategories: Avoidant-reactive coping includes responses after an incident has occurred aimed at disengagement, denial, and distancing, including rationalizing and downplaying the incident, doubting and dismissing the wearable, or discontinuing use. Ameliorative-reactive coping also includes post-incident responses but aimed at adaptation and constructive engagement, leading to improvement of personal outcomes, such as changing one’s behaviour or adapting use practices. The study contributes to the information systems coping literature by extending ways of coping and introducing ameliorative-reactive coping as a novel category. It also contributes to wearable-specific research by offering a coping-informed explanation for high attrition and inconsistent usage patterns. Finally, the study provides practical insights for designers and providers of wearables.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| 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 découle