Combining Persuasive Technology With Behavioral Theory to Support Weight Maintenance Through a Mobile Phone App: Protocol for the MotiMate App
Notice bibliographique
Résumé
BACKGROUND: The prevalence of health-focused mobile phone apps available for download increases daily, with weight management apps being among the most proliferative. However, most lack theoretic grounding or evidence of efficacy. There is a significant body of literature which provides evidence for behaviors which are associated with successful weight loss maintenance. Behavioral theory also provides further insight regarding successful behavior change and maintenance. OBJECTIVE: We aimed to apply this knowledge to the development of the functionality of an app targeting weight loss maintenance. METHODS: We have subsequently undertaken the development of a persuasive and behavior targeting mobile app (MotiMate) to assist in maintenance of weight loss. MotiMate combines persuasive and behavior change theories in a practical targeted tool through its motivational messages, personalized feedback, and intelligent supportive tools to manage weight, food, exercise, mood and stress. RESULTS: The development and trial of MotiMate received funding support in May 2014. All 88 volunteers started the trial by December 2014 and were in the process of completing their final visits when this paper was submitted (May 2015). Data analysis is currently underway. CONCLUSIONS: The paper has presented a scientifically informed mobile phone app to support weight loss maintenance. Further evaluation of its efficacy is in progress. TRIAL REGISTRATION: ANZCTR 12614000474651; https://www.anzctr.org.au/Trial/Registration/TrialReview.aspx?id=366120 (Archived by WebCite at http://www.webcitation.org/6eJeQiKxi).
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 | 0,015 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,112 | 0,035 |
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 ».