Every Step Counts: Understanding the Success of Implementing The 10,000 Steps Project
Notice bibliographique
Résumé
The 10,000 Steps program originated from a landmark whole-of-community multi-strategy intervention to increase physical activity (PA) in Rockhampton, Australia in 2001-2003. It used a social ecological framework to promote physical activity at the individual, population, environmental and policy level. Two of the fundamental aspects of the original program were goal setting (10,000 steps per day) and self-monitoring (use of a pedometer for daily step counts). A project website (www.10000steps.org.au) allowed registered participants to record their physical activity. Over time the program morphed into an e- & mHealth intervention without face-to-face elements. The program is now delivered via website and smartphone apps and employs activity trackers (pedometers, Fitbit, Garmin). To date the project has signed-up over 425,000 members who have logged 221 billion steps (∼43 million a day) on the website or app. More than 14,000 workplaces and community organisations have been involved with the program. A central element of the program, the 'Workplace Challenge' has been used by ∼65% of 10,000 Steps members, which on average increases physical activity by 159 min/week for those who participate in it. In 2011, the Queensland Government designated the 10,000 Steps program as their key physical activity workplace health promotion strategy. Multiple factors underpin the success of the program. The message is simple and clear: the project name, with its distinctive logo and tagline ('Every Step Counts') provides a clear and prescriptive target for the physical activity 'dose'. Using effective behaviour change techniques: goal setting (the 10,000 Steps concept), self-monitoring (steps are tracked), social support (participants organise as 'teams' to reach certain step goals) and gamification (teams competing against each other creating 'friendly competition'). Ongoing redevelopment: since inception, there have been three complete redesigns of the website (including a branding redesign), and new smartphone apps. More recently, the website was modified to allow syncing of steps using popular activity trackers. Resources to support implementation: the program provides resources (e.g. 'Active Workplace Guide') and has dedicated staff to respond to queries from workplaces and individuals to help overcome implementation barriers. Project staff continuously promote the program via media interviews, attendance at events, social media and marketing, advertising, and networking and collaboration. Ongoing evaluation has contributed to continuous funding: to ensure the program remains successful in a fast-changing technology environment, continuous evaluation has been necessary. These evaluation strategies, the success of the original project and the strong partnership with the program funder (Queensland Health) have all contributed to the long-term (19 years) support for the project.
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 | 0,135 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,018 | 0,024 |
| Communication savante | 0,019 | 0,034 |
| Science ouverte | 0,007 | 0,022 |
| Intégrité de la recherche | 0,010 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».