Mobile Phone App for Self-Monitoring of Eating Rhythm: Field Experiment
Notice bibliographique
Résumé
BACKGROUND: Temporal aspects of eating are an integral part of healthy eating, and regular eating has been associated with good diet quality and more successful weight control. Unfortunately, irregular eating is becoming more common. Self-monitoring of behavior has been found to be an efficient behavioral change technique, but the solution should be simple enough to ensure long-lasting adherence. OBJECTIVE: This study aimed to explore the influence of self-monitoring of daily eating pattern with mobile phone app on eating rhythm, eating behavior tendencies, and the underlying motives and attitudes related to eating. METHODS: A mobile phone app, Button, was developed for effortless self-monitoring of eating rhythm. The feasibility of the app was tested in a 30-day intervention. The participants (N=74) recorded their eating occasions during the intervention by pressing a button in the app widget. RESULTS: The average interval between meals increased (96 [SD 24] min during the first 10 days vs 109.1[SD 36.4] during the last 10 days) and the number of daily eating occasions decreased (4.9 [SD 0.9] during the first 10 days vs 4.4 [SD 0.9] during the last 10 days). The tendencies for cognitive restraint, emotional eating, and uncontrolled eating increased. Eating-related attitudes and motives remained largely unchanged. CONCLUSIONS: These results indicate that a simple self-monitoring tool is able to draw a user's attention to eating and is a potential tool to aid people to change their eating rhythm.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,007 | 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 ».