Usability Assessment of a Mobile Application: Experience and Effects among Family Medicine Residents
Bibliographic record
Abstract
L'objectif de cette étude fut d'identifier les facteurs influençant l'utilisation de l'application mobile IAM, et d'acquérir une meilleure compréhension par rapport aux besoins et expériences des résidents lors de leur préparation pour leur examen du comité en médecine. L'application fut téléchargée par 20 résidents en médecine familiale à l'Université McGill sur leurs téléphones intelligents, incluant 99 sujets prioritaires jugés essentiels par le Collège des médecins de famille du Canada pour le développement de compétences en médecine familiale. Une alerte pour un sujet prioritaire fut envoyée sur une base hebdomadaire. La facilité d'utilisation de l'application et expériences des résidents furent évaluées à travers entrevues et à l'aide de registres de données sur l'utilisation. 15 entrevues furent analysées. Les résidents ont évalué l'application IAM comme étant très utile pour organiser et répartir adéquatement leur apprentissage, et la majorité ont décrit l'application comme étant «intuitive» et «facilement accessible». Trois types d'utilisateurs furent identifiés parmi les résidents: Utilisateurs réguliers, utilisateurs temporaires et non-utilisateurs. L'analyse de cas multiples a révélé cinq principaux aspects d'utilisation: les facteurs influençant l'utilisation de l'application, le rôle de l'application, facteurs de motivation pour utiliser l'application, préférences par rapport à l'utilisation et l'acceptation générale de l'application. Les besoins individuels, les stratégies d'apprentissage et les envois d'avis furent des facteurs qui influencèrent l'utilisation de l'application. Cependant, l'utilisation fut davantage soutenue en se rapprochant des dates d'examens. Les contraintes par rapport à l'utilisation inclurent aspects techniques et le manque de support technique. L'application IAM soutient les activités traditionnelles de préparation, ainsi que différentes approches d'apprentissage tout en soutenant les activités de réflexion. D'autres études sont requises pour identifier autres facteurs influençant l'utilisation de l'application et rôles plus précis d'applications mobiles pour la préparation à l'examen du comité en médecine.
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 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".