Popular Mobile Phone Apps for Diet and Weight Loss: A Content Analysis
Notice bibliographique
Résumé
BACKGROUND: A review of the literature has revealed that the rates of overweight and obesity have been increasing in Australia over the last two decades and that wellness mobile phone apps play a significant role in monitoring and managing individuals' weight. Although mobile phone app markets (iTunes and Google Play) list thousands of mobile phone health apps, it is not always clear whether those apps are supported by credible sources. Likewise, despite the prevailing use of mobile phone apps to aid with weight management, the usability features of these apps are not well characterized. OBJECTIVE: The research explored how usability taxonomy could inform the popularity of downloaded, socially focused wellness mobile phone apps, in particular weight loss and diet apps. The aim of the study was to investigate the Australian mobile phone app stores (iTunes and Google Play) in order to examine the usability features of the most popular (ie, most downloaded) wellness apps. METHODS: The design of this study comprises 3 main stages: stage 1, identifying apps; stage 2, development of weight loss and diet evaluation framework; and stage 3, application of the evaluation framework. Each stage includes specific data collection, analysis tools, and techniques. RESULTS: The study has resulted in the development of a justified evaluation framework for weight loss and diet mobile phone apps. Applying the evaluation framework to the identified apps has shown that the most downloaded iTunes and Google Play apps are not necessarily the most usable or effective. In addition, the research found that search algorithms for iTunes and Google Play are biased toward apps' titles and keywords that do not accurately define the real functionality of the app. Moreover, the study has also analyzed the apps' user reviews, which served as justification for the developed evaluation framework. CONCLUSIONS: The analysis has shown that ease of use, reminder, bar code scanning, motivation, usable for all, and synchronization are significant attributes that should be included in weight loss and diet mobile phone apps and ultimately in potential weight loss and diet evaluation frameworks.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».