Reducing Accessibility Issues at Primary Care Clinics in Canada through Design Thinking: Introducing a Digital Self-scheduling Booking Application
Notice bibliographique
Résumé
Health care services must be universally accessible and timely for the well-being of Canadians. Although Canadians have free access to medically necessary services at the point of entry, significant barriers exist, particularly in primary care clinics. These include lengthy wait times, language obstacles for newcomers, and inadequate information about available clinics and doctors. Such challenges can make it difficult for individuals, especially more vulnerable populations like immigrants and students, to navigate the system effectively. Waiting for a primary health care appointment can create both physical and emotional stress, especially for those experiencing pain or anxiety about a potential health condition. Delays in receiving care may lead to deterioration in one’s condition or increased worry. Furthermore, the current method for booking appointments—primarily via a phone call—has several hidden drawbacks. Many patients report long hold times, difficulties in communication due to language barriers, and a perception of judgment or unhelpful behaviour from receptionists, which can particularly affect immigrants and students. Given these issues, this thesis aims to improve accessibility to general health and walk-in clinics in Canada by addressing key challenges such as long clinic wait times, limitations in appointment booking systems, and a general lack of transparent information about doctors and clinic reviews. Research conducted to address these problems included user interviews, literature reviews, user surveys, and competitor analysis. The proposed designed response was to develop a self-scheduling digital booking platform with a human-centred design approach. This platform would allow patients to book appointments online, see up-to-date wait times, and access reliable information about doctors and clinics, empowering users to make informed choices while improving the overall experience of accessing health care services.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».