Mobile Fitness and Weight Management Apps: Protocol for a Quality Evaluation
Notice bibliographique
Résumé
BACKGROUND: Obesity is a contributing factor for many noncommunicable diseases and a growing problem worldwide. Many mobile apps have been developed to help users improve their fitness and weight management behaviors. However, the speed at which apps are created and updated means that it is important to periodically assess their quality. OBJECTIVE: The purpose of this study is to evaluate the quality of fitness and weight management mobile health apps using the Mobile Application Rating Scale (MARS). It will also describe the features of the included apps and compare the results to a previous evaluation conducted in 2015. METHODS: Searches for "fitness," "weight," "exercise," "physical activity," "diet," "eat*," and "food" will be conducted in the Apple App Store and Google Play. Apps that have been updated over the past 5 years will be included. Two reviewers will rate the apps' quality using the MARS objective and subjective quality subscales. Interrater reliability will also be assessed. Features included in high-quality apps will be assessed, and changes in quality, features, and behavior change techniques made during the past 5 years will be described. RESULTS: The results will be included in the evaluation paper, which we aim to publish in 2020. CONCLUSIONS: This evaluation will assess the quality of currently available fitness and weight management apps. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): PRR1-10.2196/17685.
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 | 0,148 | 0,227 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,103 | 0,031 |
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 ».