Effective use of patient-centric health information systems : The influence of patient emotions
Bibliographic record
Abstract
La présente étude a examiné comment les réponses émotionnelles des patients face à un Portail (c.-à-d. un système de gestion des maladies chroniques centrée sur l’utilisateur et conçu pour aider les patients à autogérer leur maladie) ont influencé l’efficacité avec laquelle ils ont utilisé le Portail. Grâce à l’analyse des entretiens avec 34 patients asthmatiques qui ont utilisé un Portail d’autogestion de l’asthme, la présente étude a identifié six catégories d’émotion que le Portail a suscitées chez les patients ayant participé à l’étude. Bien que les patients qui avaient des émotions négatives envers le Portail l’ont utilisé de façon inefficace, les émotions positives, quant à elles, étaient liées aux utilisations efficaces autant qu’inefficaces, selon la perception que les patients avaient du Portail. Par ailleurs, malgré le fait que les émotions positives étaient toujours associées à une fréquence d’utilisation élevée du Portail, cette utilisation n’était pas toujours efficace car elle n’était pas toujours alignée avec l’objectif d’autogestion de l’asthme. Ces résultats indiquent que les concepteurs et les analystes des systèmes ont besoin de porter plus d’attention aux réponses émotionnelles des patients-utilisateurs, tout en essayant de minimiser l’émergence des émotions négatives en concevant des systèmes qui génèrent chez des patients une expérience et une image de soi positives ainsi qu’une certaine joie, et d’encourager une utilisation efficace de ces systèmes.
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 | 0.011 | 0.044 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".