Gender Preference and Difference in Behavior Modeling in Fitness Applications: A Mixed-Method Approach
Notice bibliographique
Résumé
In recent years, the employment of behavior models to motivate behavior change has become a global trend in fitness application design. However, there is hardly any large-scale study of these applications to understand users’ exercise-type preferences, their drivers and barriers, and the potential of employing them for gender-based tailoring. To bridge this gap, we conducted a mixed-method study among 669 participants to investigate users’ exercise-type preferences (their drivers and barriers) and how they and gender can impact users’ social-cognitive beliefs and projected performance of bodyweight exercises. Firstly, we presented to the study participants a behavior model performing push-up or squat bodyweight exercise in a fitness application and asked them to rate their perceived self-efficacy, self-regulation, outcome expectation, and projected (exercise) performance level as observers of the behavior model. Secondly, we presented the study participants with a preselected list of commonly employed exercise types in fitness applications and requested them to identify their most/least preferred, and the reasons behind their choices. Our results showed that there were differences between both genders in their exercise-type preferences, perceived self-efficacy and projected exercise performance level. Males prefer push-up, squat, crunch, plank, and chair dip the most, with effectiveness being the most important driver, followed by ease of performance and improvement of the physique, look, and appearance. On the other hand, females prefer squat, crunch, jumping jack, step up, and plank the most, with ease of performance being the most important driver, followed by improvement of the physique, look, appearance, and effectiveness. Moreover, males prefer running in place the least, while females prefer push-up the least, with perceived difficulty being the greatest barrier for both genders. Moreover, our analysis of variance supported the female’s least preference for a push-up. Females have a lower perceived self-efficacy and projected performance level for push-up than males. We discussed the implications of our findings and provided guidelines for tailoring fitness applications on the market to users’ preferences and gender.
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 | 0,033 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».