Preventing Postpartum Smoking Relapse Among Inner City Women: Development of a Theory-Based and Evidence-Guided Text Messaging Intervention
Notice bibliographique
Résumé
BACKGROUND: Underserved women are at high risk for smoking relapse after childbirth due to their unique socioeconomic and postpartum stressors and barriers. Mobile text messaging technology allows delivery of relapse prevention programs targeted to their personal needs over time. OBJECTIVE: To describe the development of a social-cognitive theory-based and evidence-guided text messaging intervention for preventing postpartum smoking relapse among inner city women. METHODS: Guided by the cognitive-social health information processing framework, user-centered design, and health communication best practices, the intervention was developed through a systematic process that included needs assessment, followed by an iterative cycling through message drafting, health literacy evaluation and rewriting, review by target community members and a scientific advisory panel, and message revision, concluding with usability testing. RESULTS: All message content was theory-grounded, derived by needs assessment analysis and evidence-based materials, reviewed and revised by the target population, health literacy experts, and scientific advisors. The final program, "Txt2Commit," was developed as a fully automated system, designed to deliver 3 proactive messages per day for a 1-month postpartum smoking relapse intervention, with crave and lapse user-initiated message functions available when needed. CONCLUSIONS: The developmental process suggests that the application of theory and best practices in the design of text messaging smoking cessation interventions is not only feasible but necessary for ensuring that the interventions are evidence based and user-centered.
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 | 0,053 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».