Comparing Diet and Exercise Monitoring Using Smartphone App and Paper Diary: A Two-Phase Intervention Study
Notice bibliographique
Résumé
BACKGROUND: There is increasing recognition that personalized approaches may be more effective in helping people establish healthier eating patterns and exercise more, and that this approach may be particularly effective in adolescents. OBJECTIVE: The objective of this study was to investigate the use of a smartphone app (FoodWiz2) in supporting healthy lifestyle choices in adolescence. METHODS: Participants (N=34: 11 male, 23 female) aged 16-19 years in full- or part-time education were recruited from sixth form colleges, schools, and other further education establishments in Norfolk and Suffolk, United Kingdom, between February and May 2015. Participants recorded food intake and exercise using a paper diary for 4-5 weeks and then used the app for the same duration. Initial nutrition education and general support were provided during the paper diary use, but the app included personalized messages sent in response to app activity. At the end of each study phase, participants completed an online questionnaire to describe their experience of using the paper diary and app. RESULTS: Record completion declined throughout the study, possibly affected by examination pressure. Food intake data showed increased fruit consumption and significantly reduced consumption of chocolate snacks (P=.01) and fizzy drinks (P=.002) among participants using the app. Questionnaire responses indicated that the app was generally preferred to the paper diary, in particular, the app was seen as less boring to use (P=.03) and more acceptable in social settings (P<.001). CONCLUSIONS: This app-based approach has shown the potential for a more effective approach to improving adolescent diet and exercise levels.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 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 ».