An mHealth Intervention Using a Smartphone App to Increase Walking Behavior in Young Adults: A Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Physical inactivity is a growing concern for society and is a risk factor for cardiovascular disease, obesity, and other chronic diseases. OBJECTIVE: This study aimed to determine the efficacy of the Accupedo-Pro Pedometer mobile phone app intervention, with the goal of increasing daily step counts in young adults. METHODS: Mobile phone users (n=58) between 17-26 years of age were randomized to one of two conditions (experimental and control). Both groups downloaded an app that recorded their daily step counts. Baseline data were recorded and followed-up at 5 weeks. Both groups were given a daily walking goal of 30 minutes, but the experimental group participants were told the equivalent goal in steps taken, via feedback from the app. The primary outcome was daily step count between baseline and follow-up. RESULTS: A significant time x group interaction effect was observed for daily step counts (P=.04). Both the experimental (P<.001) and control group (P=.03) demonstrated a significant increase in daily step counts, with the experimental group walking an additional 2000 steps per day. CONCLUSIONS: The results of this study demonstrate that a mobile phone app can significantly increase physical activity in a young adult sample by setting specific goals, using self-monitoring, and feedback.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».