Self‐Weighing Increases Weight Loss in Free‐Living Adults: A Double‐Blind Randomized Field Trial among 200,000 Health App Users
Notice bibliographique
Résumé
Self‐weighing is closely associated with sustained weight loss, but randomized trials to test causality have been limited to small samples in controlled settings subject to Hawthorne effects. This study employs a simple behavioral nudge to induce more frequent self‐weighing among new users of the Lose It! app, randomly assigned among all individuals who enrolled over a four week period in 2014. The study population is similar in age, sex and socio‐economic status to other groups seeking weight‐loss assistance in the United States and Canada. There were no differences between treatment (T) and control (C) other than the nudge, and subjects were not told about differences between T and C. Among the 184,955 users who recorded at least one plausible data point, we find mean self‐weighing frequency (days) was T=4.27±0.07 and C=3.85±0.07, and mean weight loss (lbs) was T=1.95±0.04 and C=1.90±0.04, for a difference in weight loss of 0.054±0.052 over the first three months after enrollment. Using two‐stage least squares to estimate the causal effect of self‐monitoring, we find that each additional weigh‐in led to an average increase in weight loss of 0.131±0.119 lbs. These results suggest that encouraging frequent self‐weighing can improve the efficacy of weight loss programs at a national level, at very low additional cost.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| 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 | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».