Les facteurs expliquant la popularité des applications mobiles en santé : l'exemple d'Alerte COVID en 2020-2021
Bibliographic record
Abstract
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
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 | 0.009 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".