Behavior change techniques in mobile applications for sedentary behavior
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle