Susceptibility to Fitness App's Persuasive Features
Notice bibliographique
Résumé
The incidence of physical inactivity, obesity and non-communicable diseases is on the rise globally due to the sedentary lifestyles occasioned by modernity and technology. As a means of tackling the inactivity problem, which is almost becoming a global epidemic, research has shown that persuasive technology holds bright prospects. However, in the physical activity domain, there is limited research on users' persuasion profiles and the differences between users who are currently exercising (acting users) and those who have the intentions to exercise in the future (non-acting users). To bridge this gap, we conducted a study among 190 participants resident in two individualist countries to determine the susceptibility profile of both user types and their differences. We based our study on storyboards, illustrating six commonly employed persuasive features in fitness apps. The results of our analysis showed that both user types are most likely to be susceptible to Goal-Setting/Self-Monitoring, followed by Reward and Competition, and least likely to be susceptible to Cooperation, Social Comparison and Social Learning. In particular, acting users are more likely to be susceptible to Social Learning than non-acting us-ers. Overall, our findings suggest that, irrespective of user type, personal features will be more likely effective than social features among users from individualist cultures. We discuss the implications of our findings in the context of fitness apps design.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».