Les facteurs expliquant la popularité des applications mobiles en santé : l'exemple d'Alerte COVID en 2020-2021
Notice bibliographique
Résumé
Au Canada et au Québec. Dans un contexte de crise sanitaire mondiale, les gouvernements ont utilisé des outils numériques pour améliorer la gestion et la communication des risques, Alerte COVID étant un exemple de cette stratégie de traçage des contacts. Cette recherche repose sur des entrevues approfondies avec un panel d’utilisateurs séniors, sélectionnés pour comprendre leurs perceptions, attitudes et expériences spécifiques vis-à-vis de l’application. L’étude adopte une méthodologie qualitative pour explorer comment des facteurs tels que la perception de l'utilité, l'expérience utilisateur, la sécurité des données et la confiance envers les institutions influencent le choix de télécharger et d'utiliser Alerte COVID. Les résultats montrent que, bien que les utilisateurs reconnaissent l’utilité de l’application pour la gestion de la santé publique, des préoccupations importantes subsistent quant à la confidentialité des données et au manque d’engagement du gouvernement pour protéger ces informations. En outre, des obstacles technologiques et un manque de sensibilisation ont également freiné l'adoption chez certains segments du panel. En conclusion, ce travail souligne la nécessité de concevoir des applications de santé mobile qui soient non seulement sécurisées et intuitives mais aussi adaptées aux besoins des utilisateurs plus âgés, renforçant ainsi leur confiance et leur engagement. Les recommandations formulées ici visent à guider les politiques publiques pour une meilleure acceptation des technologies de santé mobile (m-santé), notamment en période de crise. Ce mémoire contribue à approfondir les connaissances en santé mobile en fournissant des perspectives sur les leviers et barrières de l’adoption technologique dans un contexte de santé publique. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : pandémie, applications mobiles de santé, Alerte COVID, facteurs-clés de popularité, santé publique
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 | 0,009 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; 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 ».