論文の概要: Leveraging Discrete Choice Experiments for User-Centric Requirements Prioritization in mHealth Applications

• arxiv url: http://arxiv.org/abs/2511.18625v1
• Date: Sun, 23 Nov 2025 21:50:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.936299
• Title: Leveraging Discrete Choice Experiments for User-Centric Requirements Prioritization in mHealth Applications
• Title（参考訳）: mHealthアプリケーションにおけるユーザ中心要求優先化のための離散選択実験の活用
• Authors: Wei Wang, Hourieh Khalajzadeh, John Grundy, Anuradha Madugalla, Humphrey O. Obie,
• Abstract要約: モバイルヘルス(mHealth)アプリケーションは慢性疾患管理に広く利用されているが、ユーザビリティとアクセシビリティの課題は続いている。 本研究は,mHealth適応設計におけるユーザの嗜好やトレードオフに影響を与える重要な要因を明らかにする。
• 参考スコア（独自算出の注目度）: 6.966592774538946
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mobile health (mHealth) applications are widely used for chronic disease management, but usability and accessibility challenges persist due to the diverse needs of users. Adaptive User Interfaces (AUIs) offer a personalized solution to enhance user experience, yet barriers to adoption remain. Understanding user preferences and trade-offs is essential to ensure widespread acceptance of adaptation designs. This study identifies key factors influencing user preferences and trade-offs in mHealth adaptation design. A Discrete Choice Experiment (DCE) was conducted with 186 participants who have chronic diseases and use mHealth applications. Participants were asked to select preferred adaptation designs from choices featuring six attributes with varying levels. A mixed logit model was used to analyze preference heterogeneity and determine the factors most likely influencing adoption. Additionally, subgroup analyses were performed to explore differences by age, gender, health conditions, and coping mechanisms. Maintaining usability while ensuring controllability over adaptations, infrequent adaptations, and small-scale changes are key factors that facilitate the adoption of adaptive mHealth app designs. In contrast, frequently used functions and caregiver involvement can diminish the perceived value of such adaptations. This study employs a data-driven approach to quantify user preferences, identify key trade-offs, and reveal variations across demographic and behavioral subgroups through preference heterogeneity modeling. Furthermore, our results offer valuable guidance for developing future adaptive mHealth applications and lay the groundwork for continued exploration into requirements prioritization within the field of software engineering.
• Abstract（参考訳）: モバイルヘルス(mHealth)アプリケーションは慢性疾患管理に広く利用されているが、ユーザビリティとアクセシビリティの課題は、多様なユーザのニーズのために続いている。 Adaptive User Interfaces (AUIs)は、ユーザエクスペリエンスを向上させるパーソナライズされたソリューションを提供するが、採用の障壁は残る。 ユーザ好みとトレードオフを理解することは、適応設計の広く受け入れられることを保証するために不可欠である。 本研究は,mHealth適応設計におけるユーザの嗜好やトレードオフに影響を与える重要な要因を明らかにする。 慢性疾患を患い,mHealthを応用した186名の被験者を対象に,離散選択実験(DCE)を行った。 参加者は、様々なレベルの6つの属性を含む選択から、好みの適応デザインを選択するよう求められた。 混合ロジットモデルを用いて、嗜好の不均一性を解析し、採用に最も影響を与える可能性のある要因を判定した。 さらに、年齢、性別、健康状態、対処メカニズムの違いを調べるために、サブグループ分析を行った。 適応性、頻繁な適応性、小規模な変更に対する制御性を確保しつつ、ユーザビリティを維持することが、適応型mHealthアプリ設計の採用を促進する重要な要素である。 対照的に、頻繁に使用される機能や介護者の関与は、そのような適応の知覚価値を低下させる可能性がある。 本研究では、ユーザの嗜好を定量化し、重要なトレードオフを特定し、嗜好ヘテロジニティ・モデリングを通じて、人口統計学的および行動学的サブグループ間の差異を明らかにするためのデータ駆動型アプローチを用いる。 さらに,本研究の結果は,将来の適応型mHealthアプリケーション開発のための貴重なガイダンスを提供するとともに,ソフトウェア工学分野における要件優先順位付けの継続的な検討の基盤となる。

関連論文リスト

• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• TestAgent: An Adaptive and Intelligent Expert for Human Assessment [62.060118490577366]
  対話型エンゲージメントによる適応テストを強化するために,大規模言語モデル(LLM)を利用したエージェントであるTestAgentを提案する。 TestAgentは、パーソナライズされた質問の選択をサポートし、テストテイカーの応答と異常をキャプチャし、動的で対話的なインタラクションを通じて正確な結果を提供する。
  論文  参考訳（メタデータ） (2025-06-03T16:07:54Z)
• Designing Adaptive User Interfaces for mHealth Applications Targeting Chronic Disease: A User-Centered Approach [7.014860609693923]
  モバイルヘルス(mHealth)の応用は、慢性疾患の自己管理を支援する大きな可能性を示している。 これらは、エンゲージメントが低く、アクセシビリティが制限され、長期の順守が不十分なため、未使用のままである。 本稿では,mHealth アプリケーションのための動作可能な適応ユーザインタフェース (AUI) を開発し,検証するための2段階の研究を行った。
  論文  参考訳（メタデータ） (2024-05-14T03:53:52Z)
• Modeling Mobile Health Users as Reinforcement Learning Agents [27.300572343559285]
  モバイルヘルス(mHealth)技術は、患者が日常生活で健康な行動を採用する/維持することを可能にする。 介入がなければ、人間の意思決定が損なわれる可能性がある。 障害の種類によって最適な介入のタイプが異なることを示す。
  論文  参考訳（メタデータ） (2022-12-01T20:52:05Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Adapting User Interfaces with Model-based Reinforcement Learning [47.469980921522115]
  インターフェースへの適応には、変更がユーザに与えるポジティブな効果とネガティブな効果の両方を考慮する必要があります。 保守的な適応政策をもたらす適応的ユーザインターフェースの新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-11T17:24:34Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。