Preconditions for Covid-19 mobile apps: A feature-level investigation of user acceptance based on insights from South Korea and Canada, applied in the Netherlands
Notice bibliographique
Résumé
Our study will reveal preferences and opinions about the adoption of Covid-19 tracking apps in the Netherlands. Evidence suggests that citizens in South Korea are more accepting of actions taken to promote public health and more open to surveillance. We expect their existing technologies, as well as experiences from Canada, to be useful in providing the basis for our survey and for discussing how to explain and market a Covid-19 app in the Netherlands. RESEARCH QUESTION: How does the Dutch public perceive the privacy and efficacy of potential technologies used for managing Covid-19? How can culturally embedded views on privacy and transparency from other countries be leveraged to enable a secure and efficient app in the Netherlands? How do experts consider the results of the survey in regards to implementation in the app? URGENCY: The Dutch government has installed a task force working on understanding technical requirements and citizen attitudes regarding Covid-19 apps. Tracking is important to prevent or manage a second wave of infections. This project aims to contribute detailed insights in just over 4 months. HYPOTHESIS: Our study will reveal preferences and opinions about the adoption of apps in the Netherlands. Evidence suggests that citizens in South Korea are more accepting of actions taken to promote public health and more open to surveillance, which has allowed for the rapid implementation of mobile apps. We expect their existing technologies, as well as experiences from Canada, to be useful in providing the basis for our survey and for discussing how to explain and market a Covid-19 app in the Netherlands. Contact Ashley Metz for access to the data.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,019 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».