Investigating User Perceptions and User Trust of Smart Health Applications
Bibliographic record
Abstract
RÉSUMÉ: Les applications de santé intelligentes sont de plus en plus répandues aujourd’hui, offrant aux gens les moyens d’atteindre un large éventail d’objectifs de santé, y compris le suivi de la condition physique, le contrôle du régime alimentaire et le diagnostic préliminaire. Cependant, malgré leur popularité croissante, les défis auxquels sont confrontés les utilisateurs quotidiens d’applications de santé intelligentes ne sont pas suffisamment bien compris, ce qui entrave leur développement. Cependant, malgré leur popularité croissante, les défis auxquels sont confrontés les utilisateurs quotidiens d’applications de santé intelligentes manquent de compréhension globale, ce qui entrave leur plein potentiel. Cette thèse se penche sur cette question et se concentre sur l’examen des perceptions des utilisateurs des applications de santé intelligentes actuelles, en mettant particulièrement l’accent sur le facteur crucial de la confiance de l’utilisateur. confiance des utilisateurs. En analysant les commentaires des utilisateurs et en s’inspirant de la littérature existante, cette étude vise à explorer les orientations potentielles de conception qui peuvent renforcer la confiance et garantir des applications de santé intelligentes centrées sur l’utilisateur et dignes de confiance, centrée sur l’utilisateur et digne de confiance. Dans la première partie de cette thèse, nous étudions les problèmes communs des applications de santé intelligentes les plus populaires en analysant les commentaires des utilisateurs sur les sites web de santé intelligente. en analysant les commentaires des utilisateurs sur le Play Store relatifs à la conception de l’expérience utilisateur.Cette exploration intégrée des applications de santé intelligentes les plus populaires vise à nous aider à découvrir les préoccupations communes du point de vue des utilisateurs et à inspirer la création de lignes directrices de conception pour améliorer l’expérience des utilisateurs d’applications de santé intelligentes. L’analyse des résultats a révélé que les opinions des utilisateurs sur les composants intelligents des applications mobiles de santé s’articulent autour de plusieurs catégories clés. Les utilisateurs apprécient la précision, la personnalisation et la facilité de saisie des données dans les applications de santé intelligentes. Ils apprécient les applications qui fournissent des fonctions fiables liées à la santé, permettent la personnalisation et sont faciles à utiliser. Les utilisateurs font également confiance aux applications qui font preuve de transparence, de fiabilité scientifique et de réactivité. En outre, nous avons découvert que le manque de confiance était un problème important rencontré par les utilisateurs lors de l’utilisation d’applications de santé intelligentes. ABSTRACT: Smart health applications are increasingly prevalent today, offering people the means to achieve a wide range of health goals, including fitness tracking, diet monitoring, and preliminary diagnosis. However, despite their growing popularity, there is a lack of comprehensive understanding of the challenges faced by everyday users of smart health apps, hindering their full potential. This thesis delves deep into this issue and focuses on examining user perceptions of current smart health apps, with a particular emphasis on the crucial factor of user trust. By analyzing user reviews and drawing insights from existing literature, this study aims to explore potential design directions that can enhance trust and ensure user-centric, trustworthy smart health applications. In the first part of this thesis, we investigate the common issues of popular smart health applications by analyzing users’ reviews on the play store related to user experience design. This integrated exploration of popular smart health applications aims to help us discover the common concerns from the users’ perspective and inspire the creation of design guidelines to improve the user experience of smart health apps. The analysis of the results revealed that users’ opinions about the smart components of health mobile apps revolved around several key categories. Users valued accuracy, customizability, and convenience of data input in smart health apps. They appreciated applications that provided reliable health-related functions, allowed personalization, and were easy to use. Users also trusted apps that demonstrated transparency, scientific reliability, and timely responses. Additionally, we discovered a lack of trust as an important issue encountered by users when using smart health applications.
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 | 0.007 | 0.046 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| 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".