Effects of Mobile Health Prompts on Self-Monitoring and Exercise Behaviors Following a Diabetes Prevention Program: Secondary Analysis From a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: A number of mobile health (mHealth) apps exist that focus specifically on promoting exercise behavior. To increase user engagement, prompts, such as text messages, emails, or push notifications, are often used. To date, little research has been done to understand whether, and for how long, these prompts influence exercise behavior. OBJECTIVE: This study aimed to assess the impact of prompts on mHealth self-monitoring and self-reported exercise in the days following a prompt and whether these effects differ based on exercise modality. METHODS: Of the possible 99 adults at risk for developing type II diabetes who participated in a diabetes prevention program, 69 were included in this secondary analysis. Participants were randomly assigned to 1 of the following 2 exercise conditions: high-intensity interval training or moderate-intensity continuous training. In the year following a brief, community-based diabetes prevention program involving counseling and supervised exercise sessions, all participants self-monitored their daily exercise behaviors on an mHealth app in which they were sent personalized prompts at varying frequencies. mHealth self-monitoring and self-reported exercise data from the app were averaged over 1, 3, 5, and 7 days preceding and following a prompt and subsequently compared using t tests. RESULTS: =2.46; P=.02; d=0.15) following a prompt, whereas no significant changes were found in the second half of the year. CONCLUSIONS: This study provides preliminary evidence regarding the potential influence of prompts on mHealth self-monitoring and self-reported exercise and the duration for which prompts may be effective as exercise behavior change tools. Future studies should determine the optimal prompting frequency for influencing self-reported exercise behaviors. Optimizing prompt frequency can potentially reduce intervention costs and promote user engagement. Furthermore, it can encourage consumers to self-monitor using mHealth technology while ensuring prompts are sent when necessary and effective. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR2-10.2196/11226.
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 | 0,014 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,010 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».