Persuasive Features that Drive the Adoption of a Fitness Application and the Moderating Effect of Age and Gender
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fitness apps equipped with various persuasive features have become popular worldwide due to the physical inactivity crisis. However, there is a limited understanding of the most important persuasive features that drive their adoption and the moderating effect of age and gender. To bridge this gap, we designed storyboards illustrating six of the commonly employed persuasive strategies in persuasive health applications: Goal-Setting/Self-Monitoring, Reward, Social Learning, Social Comparison, Competition and Cooperation. We conducted an empirical study in which we asked the participants to evaluate their receptiveness to the six persuasive features and their intention to use a fitness app that features them. The result of our Partial Least Square Path Modeling (PLSPM) shows that, overall, Goal-Setting/Self-Monitoring is the strongest predictor of the intention to use a fitness app, followed by Reward and Competition, both of which are in second place. However, Social Learning and Social Comparison turn out to be non-predictors of intention to use. Based on these findings, we recommend that a minimally viable (one-size-fits-all) fitness app, in a personal setting, should support a Goal-Setting/Self-Monitoring feature, coupled with a Reward feature, to increase its appeal to a wide audience. Moreover, in a social setting, it should support a Competition feature to increase its appeal to a wide audience. We discuss these findings and the gender and age differences in the relationships between users’ receptiveness to the six persuasive features and their intention to use a fitness app that support them.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle