Feasibility of a Persuasive mHealth Behavioural Change Intervention in Promoting Physical Activity in the Workplace (Preprint)
Notice bibliographique
Résumé
BACKGROUND: Employees in an office setting are more likely to remain physically inactive. Physical inactivity has become one of the major barriers to overcoming the risk factors for anxiety, depression, coronary heart disease, certain cancers, and type 2 diabetes. Currently, there is a gap in mobile health (mHealth) apps to promote physical activity (PA) for workers in the workplace. Studies on behavior change theories have concluded that health apps generally lack the use of theoretical constructs. OBJECTIVE: The objective of this study was to study the feasibility of a persuasive app aimed at encouraging PA among employees and to understand the motivational aspects behind the implementation of mHealth apps among office workers. METHODS: A 4-week study using a mixed methods (quantitative and qualitative) design was conducted with office-based employees in cities in 4 countries: Oulu, Finland; Carlow, Ireland; London, United Kingdom; and Dhaka, Bangladesh. Of the 220 invited participants (experimental group, n=115; control group, n=105), 84 participated (experimental group, n=56; control group, n=28), consisting of working-age volunteers working in an office setting. Participants used 2 different interventions: The experimental group used an mHealth app for PA motivation, and the control group used a paper diary. The purpose was to motivate employees to engage in healthier behavior regarding the promotion of PA in the workplace. A user-centered design process was followed to design, develop, and evaluate the mHealth app, incorporating self-determination theory (SDT) and using game elements. The paper diary had no specific theory-driven approach, design technique, nor game elements. RESULTS: Compliance with app usage remained relatively low, with 27 participants (experimental group, n=20; control group, n=7) completing the study. The results support the original hypothesis that the mHealth app would help increase PA (ie, promoting daily walking in the workplace) in comparison to a paper diary (P=.033). The mHealth app supported 2 of the basic SDT psychological needs, namely autonomy (P=.004) and competence (P=.014), but not the needs of relatedness (P=.535). CONCLUSIONS: The SDT-based mHealth application motivated employees to increase their PA in the workplace. However, compliance with app usage remained low. Future research should further develop the app based on user feedback and test it in a larger sample.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».