Health-E-Call, a Smartphone-Assisted Behavioral Obesity Treatment: Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Individual and group-based behavioral weight loss treatment (BWL) produces average weight loss of 5-10% of initial body weight, which improves health and wellbeing. However, BWL is an intensive treatment that is costly and not widely available. Smartphones may be a useful tool for promoting adherence to key aspects of BWL, such as self-monitoring, thereby facilitating weight loss while reducing the need for intensive in-person contact. OBJECTIVE: The objective of this study was to evaluate smartphones as a method of delivering key components of established and empirically validated behavioral weight loss treatment, with an emphasis on adherence to self-monitoring. METHODS: Twenty overweight/obese participants (95% women; 85% non-Hispanic White; mean age 53.0, SE 1.9) received 12-24 weeks of behavioral weight loss treatment consisting of smartphone-based self-monitoring, feedback, and behavioral skills training. Participants also received brief weekly weigh-ins and paper weight loss lessons. RESULTS: Average weight loss was 8.4kg (SE 0.8kg; 9%, SE 1% of initial body weight) at 12 weeks and 10.9kg (SE 1.1kg; 11%, SE 1% of initial body weight) at 24 weeks. Adherence to the self-monitoring protocol was 91% (SE 3%) during the first 12 weeks and 85% (SE 4%) during the second 12 weeks. CONCLUSIONS: Smartphones show promise as a tool for delivering key components of BWL and may be particularly advantageous for optimizing adherence to self-monitoring, a cornerstone of BWL.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».