A Smartphone App to Assess Alcohol Consumption Behavior: Development, Compliance, and Reactivity
Notice bibliographique
Résumé
BACKGROUND: There are disadvantages-largely related to cost, participant burden, and missing data-associated with traditional electronic methods of assessing drinking behavior in real time. This potentially diminishes some of the advantages-namely, enhanced sample size and diversity-typically attributed to these methods. Download of smartphone apps to participants' own phones might preserve these advantages. However, to date, few researchers have detailed the process involved in developing custom-built apps for use in the experimental arena or explored methodological concerns regarding compliance and reactivity. OBJECTIVE: The aim of this study was to describe the process used to guide the development of a custom-built smartphone app designed to capture alcohol intake behavior in the healthy population. Methodological issues related to compliance with and reactivity to app study protocols were examined. Specifically, we sought to investigate whether hazard and nonhazard drinkers would be equally compliant. We also explored whether reactivity in the form of a decrease in drinking or reduced responding ("yes") to drinking behavior would emerge as a function of hazard or nonhazard group status. METHODS: An iterative development process that included elements typical of agile software design guided the creation of the CNLab-A app. Healthy individuals used the app to record alcohol consumption behavior each day for 21 days. Submissions were either event- or notification-contingent. We considered the size and diversity of the sample, and assessed the data for evidence of app protocol compliance and reactivity as a function of hazard and nonhazard drinker status. RESULTS: CNLab-A yielded a large and diverse sample (N=671, mean age 23.12). On average, participants submitted data on 20.27 (SD 1.88) out of 21 days (96.5%, 20.27/21). Both hazard and nonhazard drinkers were highly compliant with app protocols. There were no differences between groups in terms of number of days of app use (P=.49) or average number of app responses (P=.54). Linear growth analyses revealed hazardous drinkers decreased their alcohol intake by 0.80 standard drinks over the 21-day experimental period. There was no change to the drinking of nonhazard individuals. Both hazard and nonhazard drinkers showed a slight decrease in responding ("yes") to drinking behavior over the same period. CONCLUSIONS: Smartphone apps participants download to their own phones are effective and methodologically sound means of obtaining alcohol consumption information for research purposes. Although further investigation is required, such apps might, in future, allow for a more thorough examination of the antecedents and consequences of drinking behavior.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».