MétaCan
Menu
Retour à la cohorte
Enregistrement W2294971371 · doi:10.2196/mhealth.4764

Preferred Tone of Nutrition Text Messages for Young Adults: Focus Group Testing

2016· article· en· W2294971371 sur OpenAlexvenueno aff
Christina Pollard, Peter Howat, I. Pratt, Carol J. Boushey, Edward J. Delp, Deborah A. Kerr

Notice bibliographique

RevueJMIR mhealth and uhealth · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesHealthway
Mots-clésFocus groupYoung adultFacilitatorPsychologyPreferenceHealth communicationHealth promotionPerceptionMedicineSocial psychologyDevelopmental psychologyPublic healthCommunication

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Young adults are a particularly hard to reach group using conventional health promotion practices as they do not see nutrition messages as personally relevant to them. Text messaging (short message service, SMS) offers an innovative approach to reaching young adults to support and promote dietary behavior change. OBJECTIVE: The aim of this study was to develop and test tonal preferences for nutrition text messages among young adults using focus groups. METHODS: A total of 39 young adults aged 18-30 years residing in Perth, Western Australia participated in four focus groups. Participants briefly discussed their perception of healthy eating and their responses to messages about increasing fruit and vegetables, and reducing "junk food" and alcohol intake. They ranked their preference for 15 nutrition messages across 3 dietary behaviors (fruit and vegetables, junk food, and alcohol) with 5 different message tones (authoritative, empathetic, generation Y, solutions, and substitutions) and identified the messages most likely to persuade young adults to change their diet. A 5-point ranking of the nutrition messages was from the most likely to least likely to persuade (1-5). The focus groups were conducted by a trained facilitator and observer and were recorded. Data driven content analysis was used to explore themes. Tonal preferences and potential motivators were collated and frequencies presented. RESULTS: Participants ranked offering substitutes (29%, 11/39) and using empathy (22%, 9/39) as the most persuasive message techniques in improving diets of young adults, with low responses for Generation Y (17%, 7/39), solutions (17%, 7/39), and authoritative (15%, 6/39) tones. Females were more likely to consider substitution messages persuasive (35%, 7/20) compared with males (22%, 4/19). A greater proportion of males compared with females considered authoritative messages persuasive: (22%, 4/19) compared with (7%, 1/20). There is a strong preference for a substitution tone for fruit and vegetable messages (52%, 20/39), and no overall message tone preference for junk food and alcohol messages. Substitutions were viewed as helpful and practical. Empathy was liked as it acknowledged previous efforts. Responses to authoritative tone were mixed with some feeling guilt while others found them informative. Acceptability of the solutions depended on the behavioral change and acceptability of the solution proposed. Generation Y tone had some support for junk food and alcohol messages, and if favored, was considered casual, humorous, catchy, and motivational. CONCLUSIONS: Substitutions and tone of empathy were favored as the most likely execution styles to motivate nutrition behavior change across all participants. There is no "one size fits all" with different tones preferred by individuals for different dietary behaviors. Although text messaging provides instant message delivery direct to the individual, these results demonstrate the complexity of developing motivational nutrition message for young adults. These findings reveal the importance of considering the tone and content and pretesting messages for health promotion text message interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,817
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,447
Écart entre enseignants0,362 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207