Gender, Age and Subjective Well-Being: Towards Personalized Persuasive Health Interventions
Notice bibliographique
Résumé
(1) Background: Subjective well-being (SWB) is an individual’s judgment about their overall well-being. Research has shown that high subjective well-being contributes to overall health. SWB consists of both Affective and Cognitive dimensions. Existing studies on SWB are limited in two major ways: first, they focused mainly on the Affective dimension. Second, most existing studies are focused on individuals from the Western and Asian nations; (2) Methods: To resolve these weaknesses and contribute to research on personalizing persuasive health interventions to promote SWB, we conducted a large-scale study of 732 participants from Nigeria to investigate what factors affect their SWB using both the Affective and Cognitive dimensions and how distinct SWB components relates to different gender and age group. We employed the Structural Equation Model (SEM) and Confirmatory Factor Analysis (CFA) to develop models showing how gender and age relate to the distinct components of SWB; (3) Results: Our study reveals significant differences between gender and age groups. Males are more associated with social well-being and satisfaction with life components while females are more associated with emotional well-being. As regards age, younger adults (under 24) are more associated with social well-being and happiness while older adults (over 65) are more associated with psychological well-being, emotional well-being, and satisfaction with life. (4) Conclusions: The results could inform designers of the appropriate SWB components to target when personalizing persuasive health interventions to promote overall well-being for people belonging to various gender and age groups. We offer design guidelines for tailoring persuasive intervention to increase SWB based on an individual’s age and gender group. Finally, we map SWB components to possible persuasive technology design strategies that can be employed to implement them in persuasive interventions 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 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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».