Comprendre le comportement d’adoption et d’utilisation d’une application numérique de santé publique
Notice bibliographique
Résumé
Dans cette recherche, l’intérêt s’est porté sur les facteurs qui influencent les consommateurs dans l’adoption ou pas d’une application numérique mobile de santé publique lors d’une crise sanitaire majeure telle que la pandémie de COVID-19. Pour construire le cadre de recherche, le modèle d’acceptation de la technologie TAM (Davis, 1989 ; Muñoz, 2016 ; Vahdat 2020) a servi de point de départ auxquels quatre autres facteurs pertinents au contexte sont venus s’ajouter pour favoriser la compréhension de ce comportement des consommateurs. Au total, 8 hypothèses ont été développées afin d’investiguer l’effet de la facilité d’utilisation perçue de l’application, de l’utilité perçue de l’application mobile, de l’influence sociale, du risque perçu de la COVID-19, du risque perçu de l’application mobile et du contenu de l’application mobile, sur l’acceptation de cette application mobile de santé publique, puis sur l’intention de l’utiliser et la propension à la recommander. Des modèles de régression linéaire simples et multiples ont été élaborés afin d’analyser les données collectées auprès d’un échantillon de 310 Québécois âgés de 18 ans et plus. Les analyses ont montré la significativité des liens étudiés menant ainsi à plusieurs contributions théoriques, managériales et sociales.
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 | 0,020 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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; 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 ».