MétaCan
Menu
Retour à la cohorte
Enregistrement W2783919666 · doi:10.2196/mhealth.7702

Comparing Diet and Exercise Monitoring Using Smartphone App and Paper Diary: A Two-Phase Intervention Study

2018· article· en· W2783919666 sur OpenAlexvenueno aff
Florence O. Jimoh, Elizabeth K. Lund, Linda J. Harvey, C. Frost, W James Lay, Mark Roe, Rachel Berry, Paul Finglas

Notice bibliographique

RevueJMIR mhealth and uhealth · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesBiotechnology and Biological Sciences Research CouncilDirectorate for Biological SciencesEuropean CommissionUniversity of East Anglia
Mots-clésmHealthSmartphone appIntervention (counseling)MedicineSmartphone applicationGerontologyPsychological interventionPhysical therapyPsychologyMultimediaNursingWorld Wide WebComputer science

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,131
Tête enseignante GPT0,509
Écart entre enseignants0,378 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
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

Citations52
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

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