Notice bibliographique
Résumé
<div> Digital health technologies are increasingly used as complementary tools in accessing sexual health-related services. At the same time, there are concerns regarding how some interface features and content of these technologies could inadvertently foment stigma among end users. In this study, we explored how design teams (i.e., those involved in creating digital health technologies) might address stigmatizing components when designing sexual health-related digital technologies. We interviewed 14 design team members (i.e., software engineers, user interface and user experience (UI/UX) designers, content creators, and project managers) who were involved in digital health design projects across two universities in western Canada. The interviews sought to undersand their perspectives of how to create destigmatizing digital technologies and were centered on strategies that they might adopt or the kind of expertise or support they might need to be able to address stigmatizing features or content on sexual health-related digital technologies. The findings revealed two overarching approaches regarding how digital health technologies could be designed to prevent the unintended effects of stigma. These include functional design considerations (i.e., pop-up notifications, infographics, and video-based testimonials, and avoiding the use of cookies or other security-risk features) and non-functional design considerations (i.e., adopting an interprofessional and collaborative approach to design, educating software designers on domain knowledge about stigma, and ensuring consistent user testing of content). These findings reflected functional and non-functional design strategies as applied in software design. These findings are considered crucial in addressing stigma but are not often apparent to designers involved in digital health projects. This suggests the need for software engineers to understand and consider non-functional, emotional, and content-related design strategies that could address stigmatizing attributes via digital health platforms. </div>
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) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».