The Continued Use of Mobile Health Apps: Insights From a Longitudinal Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) apps that support individuals pursuing health and wellness goals, such as weight management, stress management, smoking cessation, and self-management of chronic conditions have been on the rise. Despite their potential benefits, the use of these tools has been limited, as most users stop using them just after a few times of use. Under this circumstance, achieving the positive outcomes of mHealth apps is less likely. OBJECTIVE: The objective of this study was to understand continued use of mHealth apps and individuals' decisions related to this behavior. METHODS: We conducted a qualitative longitudinal study on continued use of mHealth apps. We collected data through 34 pre- and postuse interviews and 193 diaries from 17 participants over two weeks. RESULTS: We identified 2 dimensions that help explain continued use decisions of users of mHealth apps: users' assessment of mHealth app and its capabilities (user experience) and their persistence at their health goals (intent). We present the key factors that influence users' assessment of an mHealth app (interface design, navigation, notifications, data collection methods and tools, goal management, depth of knowledge, system rules, actionable recommendations, and user system fit) and relate these factors to previous literature on behavior change technology design. Using these 2 dimensions, we developed a framework that illustrated 4 decisions users might make after initial interaction with mHealth apps (to abandon use, limit use, switch app, and continue use). We put forth propositions to be explored in future research on mHealth app use. CONCLUSIONS: This study provides insight into the factors that shape users' decisions to continue using mHealth apps, as well as other likely decision scenarios after the initial use experience. The findings contribute to extant knowledge of mHealth use and provide important implications for design of mHealth apps to increase long-term engagement of the users.
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 | 0,017 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».