Translating Behavioral Interventions Onto mHealth Platforms: Developing Text Message Interventions for Smoking and Alcohol
Notice bibliographique
Résumé
The development of mHealth applications is often driven by the investigators and developers with relatively little input from the targeted population. User input is commonly limited to "like/dislike" post- intervention consumer satisfaction ratings or device or application specific user analytics such as usability. However, to produce successful mHealth applications with lasting effects on health behaviors it is crucial to obtain user input from the start of each project and throughout development. The aim of this tutorial is to illustrate how qualitative methods in an iterative process of development have been used in two separate behavior change interventions (targeting smoking and alcohol) delivered through mobile technologies (ie, text messaging). A series of focus groups were conducted to assist in translating a face-to-face smoking cessation intervention onto a text message (short message service, SMS) delivered format. Both focus groups and an advisory panel were used to shape the delivery and content of a text message delivered intervention for alcohol risk reduction. An in vivo method of constructing message content was used to develop text message content that was consistent with the notion of texting as "fingered speech". Formative research conducted with the target population using a participatory framework led to important changes in our approach to intervention structure, content development, and delivery. Using qualitative methods and an iterative approach that blends consumer-driven and investigator-driven aims can produce paradigm-shifting, novel intervention applications that maximize the likelihood of use by the target audience and their potential impact on health behaviors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».