Between Human and System Agency: Coping with Negative Incidents for Continued Effective Use of Wearables
Notice bibliographique
Résumé
Wearable devices hold significant promise for promoting healthy behaviors, yet they often fall short of this potential when users disengage or use them ineffectively. This research examines how individuals respond to negative incidents—such as frustrating feedback, misaligned goals, or perceived surveillance—and how these responses influence continued effective use. Effective use means interacting with the wearable in ways that help achieve health-related goals, beyond merely logging steps or checking data. Based on in-depth accounts from long-term users, the study reveals that, although some cope by re-engaging with the technology, others manipulate data, disengage, or selectively avoid features, undermining the benefits wearables are meant to deliver. Crucially, sustained effective use depends not just on motivation or usability but on the alignment between human and system agency. When wearables assert their own logic too strongly or misalign with user goals, maladaptive responses are more likely. These findings offer actionable guidance for designers, healthcare providers, and policymakers: Rather than focusing solely on adoption or persuasive design, efforts should support user autonomy and recovery after setbacks. Wearables that accommodate breakdowns and empower users in the face of friction are more likely to sustain engagement and improve long-term 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.
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 | 0,009 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».