Exploring Users’ Experiences of the Uptake and Adoption of Physical Activity Apps: Longitudinal Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Although smartphone apps might support physical activity (PA), engagement with them tends to be low. OBJECTIVE: This study aimed to examine potential users' needs and preferences regarding their engagement with PA apps during a first exposure to a never-used PA app and after 2 weeks' usage. METHODS: A longitudinal, one-arm qualitative study was conducted with potential PA app users. At baseline, participants (N=20) were asked to explore 1 of 3 randomly allocated PA apps while thinking aloud. Semistructured interview techniques allowed participants to elaborate on their statements. After 2 weeks, follow-up interviews explored participants' (n=17) lived experiences of real-world app use. Verbal reports from both time points were analyzed using inductive thematic analysis. RESULTS: Features that promote a fair and simple user experience, support users' self-regulation skills, and address users' exercise motives were considered important for engagement both during a first exposure and after a 2-week use of PA apps. Features that support users' need for relatedness as well as those that facilitate users to implement their intentions were expected to be important for engagement mainly during a first exposure to PA apps. Proactive and tailored features that integrate behavioral, psychological, and contextual information to provide adaptive exercise plans and just-in-time support were considered relevant to sustain engagement over time. CONCLUSIONS: App features that address users' exercise motives, promote self-regulation, and fulfill users' need for relatedness might promote engagement with PA apps. Tailored and proactive features were expected to promote sustained engagement.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| 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 ».