Social cognitive determinants of exercise behavior in the context of behavior modeling: a mixed method approach
Notice bibliographique
Résumé
Research has shown that persuasive technologies aimed at behavior change will be more effective if behavioral determinants are targeted. However, research on the determinants of bodyweight exercise performance in the context of behavior modeling in fitness apps is scarce. To bridge this gap, we conducted an empirical study among 659 participants resident in North America using social cognitive theory as a framework to uncover the determinants of the performance of bodyweight exercise behavior. To contextualize our study, we modeled, in a hypothetical context, two popular bodyweight exercise behaviors – push ups and squats – featured in most fitness apps on the market using a virtual coach (aka behavior model). Our social cognitive model shows that users’ perceived self-efficacy (β T = 0.23, p < 0.001) and perceived social support (β T = 0.23, p < 0.001) are the strongest determinants of bodyweight exercise behavior, followed by outcome expectation (β T = 0.11, p < 0.05). However, users’ perceived self-regulation (β T = –0.07, p = n.s.) turns out to be a non-determinant of bodyweight exercise behavior. Comparatively, our model shows that perceived self-efficacy has a stronger direct effect on exercise behavior for men (β = 0.31, p < 0.001) than for women (β = 0.10, p = n.s.). In contrast, perceived social support has a stronger direct effect on exercise behavior for women (β = 0.15, p < 0.05) than for men (β = −0.01, p = n.s.). Based on these findings and qualitative analysis of participants’ comments, we provide a set of guidelines for the design of persuasive technologies for promoting regular exercise 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 | 0,025 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».