Design einer Chatbot-Persona für die Brustkrebsvorsorge unter schwarzen Frauen
Human Centered Design-Ansatz zur Beseitigung von Ungleichheiten bei der Brustkrebsvorsorge
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Das Ziel dieser Studie ist es, die optimale Zustellung von ersten Chatbot-Nachrichten für eine kulturell angepasste Brustkrebs-Früherkennung zu bestimmen. Das Misstrauen gegenüber dem medizinischen System wurde als erhebliches Hindernis für das Mammographie-Screening unter schwarzen Frauen identifiziert. Obwohl es maßgeschneiderte Interventionen für die Brustkrebsvorsorge gibt, ist das optimale Design einer maßgeschneiderten Intervention zur Schaffung von Vertrauen unbekannt. Es hat sich gezeigt, dass Chatbots das Vertrauen in webbasierte Informationen erhöhen, obwohl die Akzeptanz von Chatbots von Chatbot-Eigenschaften abhängen kann. Die Forscher schlagen vor, die Multiphasen-Optimierungsstrategie (MOST), ein Rahmenwerk für die Entwicklung wirksamer, effizienter, skalierbarer und kostengünstiger Interventionen, zu verwenden, um die Leistung von Chatbot-Interventionskomponenten und deren Interaktionen zu bewerten.
Die Chatbot-Nachrichtenzustellung wird systematisch über zwei Komponenten variiert, die jeweils durch einen separaten Faktor im 2x2x1-faktoriellen Studiendesign mit einem Kontrollarm repräsentiert werden. Insbesondere wird jeder Teilnehmer nach dem Zufallsprinzip einer von fünf separaten experimentellen Bedingungen zugewiesen. Zu den Bedingungen gehören: (1) Chatbot mit einer Hausarztpersönlichkeit und einem direkten Kommunikationsstil; (2) Chatbot mit Brustkrebs-Überlebender und direktem Kommunikationsstil; (3) Chatbot mit einer Hausarztpersönlichkeit und einem indirekten Kommunikationsstil; und (4) Chatbot mit einer Brustkrebs-Überlebenden-Persönlichkeit und einem indirekten Kommunikationsstil. Alle Teilnehmer füllen eine Umfrage zu ihrer Wahrnehmung der ersten Outreach-Nachrichten des Chatbots aus.
Die Haupteffekte der beiden experimentellen Faktoren und ihrer Wechselwirkungen auf die primären Ergebnisse der Studie – Vertrauen in das Chatbot-System zur Verwendung für die Aufklärung und Planung von Brustkrebsvorsorgeuntersuchungen und die Absicht zur Verwendung – werden abgeschätzt. Diese Informationen leiten das Design einer optimierten Chatbot-Persona, die die primären Ergebnisse erzielt.
Die Teilnehmer werden eingeschrieben, wenn es sich um schwarze Personen handelt, die sich für eine Brustkrebsvorsorgeuntersuchung qualifizieren und in den Vereinigten Staaten leben und zwischen 40 und 74 Jahre alt sind. Die Rekrutierung erfolgt über Prolific, eine Online-Plattform zum Poolen von Teilnehmern, und Amazon Mechanical Turk (MTurk), eine Crowdsourcing-Plattform für die Rekrutierung von Wissenschaftlern. Prolific wird verwendet, da die Plattform in der Lage ist, die Teilnehmerpopulation auszuwählen. Aufgrund der begrenzten Anzahl von Personen innerhalb der Einschlusskriterien auf Prolific werden die Teilnehmer jedoch bei Bedarf auch auf MTurk rekrutiert. Die Teilnehmer werden gebeten, die Chatbot-Nachrichten anzuzeigen und auf Fragen zu antworten, um das Vertrauen, das Engagement und die Direktheit des Chatbots zu bewerten.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
Washington
-
Seattle, Washington, Vereinigte Staaten, 98105
- University of Washington Medical Center
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
Alle Frauen zwischen 40 und 74 Jahren:
- die sich als Schwarz identifizieren
Ausschlusskriterien:
- Teilnehmer, die die Umfrage nicht ausfüllen
- Teilnehmer, die die Umfrage in weniger als der Hälfte der normalen Durchschnittszeit abschließen
- Teilnehmer, die die Aufmerksamkeitsprüfung nicht bestehen
Studienplan
Wie ist die Studie aufgebaut?
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Gruppe 1
Persona des Hausarztes mit Direktnachrichten
|
Die Chatbot-Persona ist eine schwarze Frau, die Hausärztin ist.
Die Chatbot-Nachrichten sind durch Befehle und direkte Adressen („Sie“) gekennzeichnet.
|
|
Gruppe 2
Persona einer Brustkrebsüberlebenden mit Direktnachrichten
|
Die Chatbot-Nachrichten sind durch Befehle und direkte Adressen („Sie“) gekennzeichnet.
Die Chatbot-Persona ist eine schwarze Frau, die Brustkrebs überlebt hat.
|
|
Gruppe 3
Hausarzt mit indirekten Botschaften
|
Die Chatbot-Persona ist eine schwarze Frau, die Hausärztin ist.
Charakteristisch für die Chatbot-Nachrichten sind konjunktive Modalverbformen („möchten“) und kooperative Ansprachen („wir“, „lassen“).
|
|
Gruppe 4
Persona einer Brustkrebsüberlebenden mit indirekten Botschaften
|
Die Chatbot-Persona ist eine schwarze Frau, die Brustkrebs überlebt hat.
Charakteristisch für die Chatbot-Nachrichten sind konjunktive Modalverbformen („möchten“) und kooperative Ansprachen („wir“, „lassen“).
|
|
Gruppe 5
Kontrolle
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vertrauen
Zeitfenster: Tag 1
|
Die Mensch-Computer-Vertrauensskala bewertet das Vertrauen der Benutzer, das auf ähnlichen Vertrauenskonstrukten basiert (Wohlwollen, Kompetenz, Gegenseitigkeit, wahrgenommenes Risiko).
Es wurden 7 der 12 Items ausgewählt, die eine 5-Punkte-Likert-Skala von „trifft überhaupt nicht zu“ bis „trifft voll und ganz zu“ verwenden.
|
Tag 1
|
|
Verwendungszweck
Zeitfenster: Tag 1
|
Dieses Maß bewertet die Wahrscheinlichkeit, dieses System zu verwenden, um in Zukunft eine Mammographie zu planen, und wird auf einer 5-Punkte-Likert-Skala von „sehr unwahrscheinlich“ bis „sehr wahrscheinlich“ bewertet.
|
Tag 1
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Engagement
Zeitfenster: Tag 1
|
Dieses Maß besteht aus 4 semantischen Differentialskalen, die Eigenschaften (wichtig, interessant, relevant, herzlich) auf einer 7-Punkte-Skala bewerten.
|
Tag 1
|
|
Direktheit
Zeitfenster: Tag 1
|
Dieses Maß besteht aus 7 semantischen Differentialskalen, die Eigenschaften (direkt, freundlich, fürsorglich, direkt, fordernd, respektvoll, höflich) auf einer 7-Punkte-Skala bewerten.
|
Tag 1
|
|
Sachverstand und Homophilie
Zeitfenster: Tag 1
|
Diese 4 Items messen die wahrgenommene Kompetenz und Einstellung des Systems auf einer 5-Punkte-Likert-Skala von „stimme überhaupt nicht zu“ bis „stimme voll und ganz zu“.
|
Tag 1
|
|
Verbindung zur Eigenmarke
Zeitfenster: Tag 1
|
Diese Maßnahme besteht aus 3 Items zur Bewertung der Eigenmarkenbindung auf einer 5-Punkte-Likert-Skala von „trifft überhaupt nicht zu“ bis „trifft voll und ganz zu“.
|
Tag 1
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Ermittler
- Hauptermittler: Leah Marcotte, MD, University of Washington
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- STUDY00011606
- 5P50CA244432 (US NIH Stipendium/Vertrag)
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .