Behavior change techniques in mobile applications for sedentary behavior
Notice bibliographique
Résumé
Objective Mobile applications (apps) are increasingly being utilized in health behavior change interventions. To determine the presence of underlying behavior change mechanisms, apps for physical activity have been coded for behavior change techniques (BCTs). However, apps for sedentary behavior have yet to be assessed for BCTs. Thus, the purpose of the present study was to review apps designed to decrease sedentary time and determine the presence of BCTs. Methods Systematic searches of the iTunes App and Google Play stores were completed using keyword searches. Two reviewers independently coded free ( n = 36) and paid ( n = 14) app descriptions using a taxonomy of 93 BCTs (December 2016–January 2017). A subsample ( n = 4) of free apps were trialed for one week by the reviewers and coded for the presence of BCTs (February 2017). Results In the free and paid app descriptions, only 10 of 93 BCTs were present with a mean of 2.42 BCTs (range 0–6) per app. The BCTs coded most frequently were “prompts/cues” ( n = 43), “information about health consequences” ( n = 31), and “self-monitoring of behavior” ( n = 17). For the four free apps that were trialed, three additional BCTs were coded that were not coded in the descriptions: “graded tasks,” “focus on past successes,” and “behavior substitution.” Conclusions These sedentary behavior apps have fewer BCTs compared with physical activity apps and traditional (i.e., non-app) physical activity and healthy eating interventions. The present study sheds light on the behavior change potential of sedentary behavior apps and provides practical insight about coding for BCTs in apps.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».