Investigation of the Moderating Effect of Culture on Users’ Susceptibility to Persuasive Features in Fitness Applications
Notice bibliographique
Résumé
Persuasive technologies have been identified as a potential motivational tool to tackle the rising problem of physical inactivity worldwide, with research showing they are more likely to be successful if tailored to the target audience. However, in the physical activity domain, there is limited research on how culture moderates users’ susceptibility to the various persuasive features employed in mobile health applications aimed to motivate behavior change. To bridge this gap, we conducted an empirical study among 256 participants from collectivist (n = 67) and individualist (n = 189) cultures to determine their culture-specific persuasion profiles with respect to six persuasive features commonly employed in fitness applications on the market. The persuasive features include two personal features (goal-setting/self-monitoring and reward) and four social features (competition, cooperation, social learning and social comparison). We based our study on the rating of storyboards (on which each of the six persuasive features is illustrated) and the ranking of the six persuasive features in terms of perceived persuasiveness. The results of our analysis showed that users from individualist and collectivist cultures significantly differ in their persuasion profiles. Based on our rating measure, collectivist users are more likely to be susceptible to all six persuasive features (personal and social) than individualist users, who are only likely to be susceptible to personal features. However, based on our ranking measure, individualist users are more likely to be susceptible to personal features (goal-setting/self-monitoring and reward) than collectivist users. In contrast, collectivist users are more likely to be susceptible to social features (cooperation and social learning) than individualist users. Based on these findings, we provide culture-specific persuasive technology design guidelines. Our study is the first to uncover the moderating effect of culture on users’ susceptibility to commonly employed persuasive features in fitness applications.
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 | 0,008 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».