Young People’s Attitudes and Motivations Toward Social Media and Mobile Apps for Weight Control: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Effective prevention at a young enough age is critical to halt the obesity epidemic. Mobile health (mHealth) apps would potentially reach large numbers at low-cost. While there is already a profusion of lifestyle apps, they are mostly non-evidence-based and evidently ineffective against rising obesity prevalence. OBJECTIVE: The aim of this study was to explore preferences and usage of lifestyle apps among young people in 6 countries. METHODS: A mixed methods study was conducted among young people aged 13 to 24 years residing in the United Kingdom, Belgium, Finland, Greece, Singapore, and New Zealand. Participants were recruited from Web advertisements on Facebook, asking for volunteers interested in mobile apps in general, not specific to lifestyle or health, to complete a short survey comprising 18 questions on demographics, weight gain, and mobile app preferences and then to join English-language online focus groups, which were held during 2017, in password-protected Web rooms, moderated by an experienced researcher. Descriptive statistics were carried out for the survey, and thematic analysis was applied to transcripts. RESULTS: A total of 2285 young people (610 adolescents aged 13-17 years and 1675 young adults aged 18-24 years) responded and completed the survey, with 72.0% (1645) reported being concerned about weight gain for themselves or friends. Later, 807 young people (376 adolescents and 431 young adults) were selected based on age and country to participate in 12 online focus groups, with 719 young people completing. Analysis revealed 4 main themes: (1) feelings toward personal weight; (2) perception of lifestyle apps and desired content for weight gain prevention; (3) social media apps, lifestyle apps, and motivation for downloading and retaining; and (4) data safety and data usage and confidentiality. Young people are interested in evidence-based advice in programs incorporating their preferences. CONCLUSIONS: Young people are commonly, and consistently across 6 countries, concerned about weight gain and obesity and would welcome evidence-based mHealth programs, provided the views of young people themselves are incorporated in the program content.
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 | 0,012 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».