MétaCan
Menu
Retour à la cohorte
Enregistrement W2984477260 · doi:10.1177/2055207619878601

Investigation of persuasive system design predictors of competitive behavior in fitness application: A mixed-method approach

2019· article· en· W2984477260 sur OpenAlexafffund
Kiemute Oyibo, Julita Vassileva

Notice bibliographique

RevueDigital Health · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueInnovative Human-Technology Interaction
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCompetition (biology)PsychologyContext (archaeology)Social psychologySocial learningDevelopmental psychologyEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Fitness applications aimed at behavior change are becoming increasingly popular due to the global prevalence of sedentary lifestyles and physical inactivity, causing countless non-communicable diseases. Competition is one of the most common persuasive strategies employed in such applications to motivate users to engage in physical activity in a social context. However, there is limited research on the persuasive system design predictors of users’ susceptibility to competition as a persuasive strategy for motivating behavior change in a social context. To bridge this gap, we designed storyboards illustrating four of the commonly employed persuasive strategies (reward, social learning, social comparison, and competition) in fitness applications and asked potential users to evaluate their perceived persuasiveness. The result of our path analysis showed that, overall, users’ susceptibilities to social comparison (β T = 0.48, p < 0.001), reward (β T = 0.42, p < 0.001), and social learning (β T = 0.29, p < 0.01) predicted their susceptibility to competition, with our model accounting for 41% of its variance. Social comparison partially mediated the relationship between reward and competition, while social learning partially mediated the relationship between social comparison and competition. Comparatively, the relationship between reward and social learning was stronger for females than for males, whereas the relationship between reward and competition was stronger for males than for females. Overall, our findings underscore the compatibility of all four persuasive strategies in a one-size-fits-all fitness application. We discuss our findings, drawing insight from the comments provided by participants.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,024
score de la tête « metaresearch » (Gemma)0,036
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,125

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,036
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,294
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDigital HealthMême sujetInnovative Human-Technology InteractionTravaux en français237 207