Exploring Women’s Perspectives on Receiving AI-enabled Digital Support for Infant Feeding: a multi-methods cross-sectional study. (Preprint)
Notice bibliographique
Résumé
BACKGROUND: Infant feeding practices, including breastfeeding, are known to benefit maternal and child health outcomes. Therefore, parent access to evidence-based infant feeding advice is critical. In recent years, there has been increased use of digital health technologies to support infant feeding. Despite its potential, using AI to complement existing health care and connect families to timely infant feeding support remains relatively unexplored. OBJECTIVE: This study aims to explore women's perceptions of using AI-enabled infant feeding support within mobile health (mHealth) interventions. The study investigates (A) openness to AI-enabled support, (B) experiences with existing AI-enabled support, (C) preferences for SMS text messages generated by AI versus "child and family health" nurses, and (D) opinions on infant feeding topics suitable for AI. METHODS: Two data collection activities were undertaken with women (primary caregivers) of infants aged 6-14 months, residing in the Hunter New England Local Health District (HNELHD) of New South Wales, Australia. Different women who received antenatal care in HNELHD were recruited for quantitative and qualitative data collection. Quantitative surveys assessed women's openness to receiving AI-enabled support (objective A). Descriptive and logistic regression analyses were conducted to explore associations between participant characteristics and openness to AI. Qualitative data collection involved focus groups to explore women's perceptions and preferences on infant feeding topics suitable for AI (objectives B, C, and D). Thematic analysis was used to analyze focus group transcripts. RESULTS: A total of 164 women completed the quantitative survey. Approximately 53% (87/164) of participants were open to receiving AI recommendations to see a health professional for infant feeding support, 34% (56/164) were open to AI assessing their breastfeeding experiences, and 41% (67/163) were open to AI providing advice to prevent or address breastfeeding challenges. Fewer Aboriginal and Torres Strait Islander participants were open to receiving AI-generated support (adjusted odds ratio 0.41, 95% CI 0.19-0.92) or advice to see a health professional (adjusted odds ratio 0.29, 95% CI 0.13-0.64). Twelve women participated in 3 online focus groups. Thematic analysis resulted in three overarching themes: (1) opportunities to fill gaps in support, (2) variable confidence engaging with AI for information and advice, and (3) potential convenience of AI and mHealth to offer timely support. CONCLUSIONS: The study highlights the potential of AI and barriers to women's acceptability and engagement. While women recognized the potential for AI to fill health care gaps in infant feeding support, including after business hours, there was less interest in AI replacing "in-person" support or information easily located via online search. Women's concerns regarding the credibility and trustworthiness of AI-enabled support should be addressed to maximize their use of emerging AI-enabled tools, embedded within digital technologies and mHealth. There is potential for AI to complement rather than replace usual care.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Qualitatif | low |
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».