Investigating User Perceptions and User Trust of Smart Health Applications
Notice bibliographique
Résumé
RÉSUMÉ: Les applications de santé intelligentes sont de plus en plus répandues aujourd’hui, offrant aux gens les moyens d’atteindre un large éventail d’objectifs de santé, y compris le suivi de la condition physique, le contrôle du régime alimentaire et le diagnostic préliminaire. Cependant, malgré leur popularité croissante, les défis auxquels sont confrontés les utilisateurs quotidiens d’applications de santé intelligentes ne sont pas suffisamment bien compris, ce qui entrave leur développement. Cependant, malgré leur popularité croissante, les défis auxquels sont confrontés les utilisateurs quotidiens d’applications de santé intelligentes manquent de compréhension globale, ce qui entrave leur plein potentiel. Cette thèse se penche sur cette question et se concentre sur l’examen des perceptions des utilisateurs des applications de santé intelligentes actuelles, en mettant particulièrement l’accent sur le facteur crucial de la confiance de l’utilisateur. confiance des utilisateurs. En analysant les commentaires des utilisateurs et en s’inspirant de la littérature existante, cette étude vise à explorer les orientations potentielles de conception qui peuvent renforcer la confiance et garantir des applications de santé intelligentes centrées sur l’utilisateur et dignes de confiance, centrée sur l’utilisateur et digne de confiance. Dans la première partie de cette thèse, nous étudions les problèmes communs des applications de santé intelligentes les plus populaires en analysant les commentaires des utilisateurs sur les sites web de santé intelligente. en analysant les commentaires des utilisateurs sur le Play Store relatifs à la conception de l’expérience utilisateur.Cette exploration intégrée des applications de santé intelligentes les plus populaires vise à nous aider à découvrir les préoccupations communes du point de vue des utilisateurs et à inspirer la création de lignes directrices de conception pour améliorer l’expérience des utilisateurs d’applications de santé intelligentes. L’analyse des résultats a révélé que les opinions des utilisateurs sur les composants intelligents des applications mobiles de santé s’articulent autour de plusieurs catégories clés. Les utilisateurs apprécient la précision, la personnalisation et la facilité de saisie des données dans les applications de santé intelligentes. Ils apprécient les applications qui fournissent des fonctions fiables liées à la santé, permettent la personnalisation et sont faciles à utiliser. Les utilisateurs font également confiance aux applications qui font preuve de transparence, de fiabilité scientifique et de réactivité. En outre, nous avons découvert que le manque de confiance était un problème important rencontré par les utilisateurs lors de l’utilisation d’applications de santé intelligentes. ABSTRACT: Smart health applications are increasingly prevalent today, offering people the means to achieve a wide range of health goals, including fitness tracking, diet monitoring, and preliminary diagnosis. However, despite their growing popularity, there is a lack of comprehensive understanding of the challenges faced by everyday users of smart health apps, hindering their full potential. This thesis delves deep into this issue and focuses on examining user perceptions of current smart health apps, with a particular emphasis on the crucial factor of user trust. By analyzing user reviews and drawing insights from existing literature, this study aims to explore potential design directions that can enhance trust and ensure user-centric, trustworthy smart health applications. In the first part of this thesis, we investigate the common issues of popular smart health applications by analyzing users’ reviews on the play store related to user experience design. This integrated exploration of popular smart health applications aims to help us discover the common concerns from the users’ perspective and inspire the creation of design guidelines to improve the user experience of smart health apps. The analysis of the results revealed that users’ opinions about the smart components of health mobile apps revolved around several key categories. Users valued accuracy, customizability, and convenience of data input in smart health apps. They appreciated applications that provided reliable health-related functions, allowed personalization, and were easy to use. Users also trusted apps that demonstrated transparency, scientific reliability, and timely responses. Additionally, we discovered a lack of trust as an important issue encountered by users when using smart health applications.
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 | 0,007 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».