Product design for mobility wearable devices for black older adults: bridging usability, inclusion, and engagement through qualitative interviewing
Notice bibliographique
Résumé
Black older adults remain largely excluded from the design of mobility wearables, yet their cultural values can shape acceptance and sustained use. We therefore explored the preferences, needs and lived experiences of Canadian Black older adults in co-creating culturally appropriate, AI-powered mobility wearable devices, defined as wearable sensors embedded with artificial intelligence that monitor, analyse, and provide real-time feedback on movement and mobility (e.g. gait, balance, activity). A qualitative descriptive design with conventional content analysis was employed. Twenty community-dwelling Black older adults (11 males, 9 females; 57–89 years) from four Canadian provinces completed 60–90-minute semi-structured videoconference interviews. Audio recordings were transcribed verbatim and analysed thematically through multiple iterative cycles by a multidisciplinary team, with participant member-checking and ongoing reflexive dialogue used to reinforce methodological rigour. Four overarching themes described design priorities: (1) Modular and personalised aesthetics, interchangeable bands, culturally resonant colours and skin-tone-matching casings to support self-expression; (2) Culturally familiar interfaces and voice interactions that feel respectful and welcoming; (3) Ease of use with assistive support—one-click operations and hands-free voice commands accommodating functional limitations; and (4) Privacy and dignity through default data-ownership models enabling user control and community benefit. African-born participants prioritised core health functions, whereas Caribbean-born participants valued aesthetic customisation, underscoring intra-community heterogeneity. Wearables that incorporate the features prioritised by Black older adults, modular styling, culturally familiar interfaces, intuitive controls, and robust privacy safeguards are more likely to be embraced, to support day-to-day mobility, and to narrow inequities in access to assistive technology.
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 | 0,032 | 0,022 |
| 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 | 0,011 | 0,010 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».