Nudging to increase hand hygiene during the COVID-19 pandemic: A field experiment.
Bibliographic record
Abstract
La pandémie de COVID-19 a eu d’importantes répercussions sur les populations du monde entier. L’une des mesures les plus importantes pour prévenir la dissémination du virus est la bonne hygiène des mains. Nous voyons la mise en œuvre d’incitations douces (nudge), technique empruntée à l’économie comportementale, comme une façon d’accroître l’hygiène des mains sans imposer de mesures obligatoires. Dans cette expérience de terrain, on a évalué deux types d’incitations douces, aussi appelées « coups de pouce », qui avaient été auparavant mis en application avec succès —une incitation par la saillance et une incitation basée sur le gain —, mais dans un nouveau contexte (c.-à-d., une rue commerçante). On a observé 419 personnes faire des emplettes durant une expérience contrebalancée dans trois magasins ayant chacun un distributeur de désinfectant accompagné d’une incitation par la saillance, d’une incitation basée sur le gain, et un autre sans incitation. Les données sur l’usage des distributeurs ont été analysées au moyen de modèles mixtes pour tenir compte des groupes entrant dans chacun des commerces. En faisant des comparaisons avec la condition de contrôle, on n’a constaté aucun effet significatif des deux incitations douces sur l’usage du désinfectant parmi les participants. Ce résultat pourrait être attribuable à l’importance accrue accordée à l’hygiène des mains depuis la pandémie de la COVID-19, car les données de base de notre étude pour la pratique de mesures d’hygiène pour les mains étaient de beaucoup plus élevées que dans le cadre d’études réalisées avant la pandémie. De plus, il est possible que les clients s’étaient déjà désinfecté les mains avant de quitter la maison, comme le conseillent les gouvernements. Nos résultats suggèrent que les commerces et les gouvernements devraient trouver des mesures autres que les incitations douces testées pour améliorer l’hygiène des mains dans les rues commerçantes durant la pandémie de COVID-19, en combinant plusieurs incitations ou en utilisant des moyens moins subtils. (PsycInfo Database Record (c) 2020 APA, all rights reserved)
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".