MétaCan
Menu
Retour à la cohorte
Enregistrement W3037990904 · doi:10.2196/19485

A Web-Based Intervention to Prevent Multiple Chronic Disease Risk Factors Among Adolescents: Co-Design and User Testing of the Health4Life School-Based Program

2020· article· en· W3037990904 sur OpenAlexvenueno aff
Katrina E. Champion, Lauren A. Gardner, Cyanna McGowan, Cath Chapman, Louise Thornton, Belinda Parmenter, Nyanda McBride, David R. Lubans, Karrah McCann, Bonnie Spring, Maree Teesson

Notice bibliographique

RevueJMIR Formative Research · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesNational Health and Medical Research CouncilMedical Research CouncilPaul Ramsay Foundation
Mots-clésIntervention (counseling)Web applicationMedicineDiseaseComputer sciencePsychologyWorld Wide WebNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chronic diseases are the leading cause of death worldwide. Addressing key lifestyle risk factors during adolescence is critical for improving physical and mental health outcomes and reducing chronic disease risk. Schools are ideal intervention settings, and electronic health (eHealth) interventions afford several advantages, including increased student engagement, scalability, and sustainability. Although lifestyle risk behaviors tend to co-occur, few school-based eHealth interventions have targeted multiple behaviors concurrently. OBJECTIVE: This study aims to summarize the co-design and user testing of the Health4Life school-based program, a web-based cartoon intervention developed to concurrently prevent 6 key lifestyle risk factors for chronic disease among secondary school students: alcohol use, smoking, poor diet, physical inactivity, sedentary recreational screen time, and poor sleep (the Big 6). METHODS: The development of the Health4Life program was conducted over 18 months in collaboration with students, teachers, and researchers with expertise relevant to the Big 6. The iterative process involved (1) scoping of evidence and systematic literature review; (2) consultation with adolescents (N=815) via a cross-sectional web-based survey to identify knowledge gaps, attitudes, barriers, and facilitators in relation to the Big 6; (3) content and web development; and (4) user testing of the web-based program with students (n=41) and teachers (n=8) to evaluate its acceptability, relevance, and appeal to the target audience. RESULTS: The co-design process resulted in a six-module, evidence-informed program that uses interactive cartoon storylines and web-based delivery to engage students. Student and teacher feedback collected during user testing was positive in terms of acceptability and relevance. Commonly identified areas for improvement concerned the length of modules, age appropriateness of language and alcohol storyline, the need for character backstories and links to syllabus information, and feasibility of implementation. Modifications were made to address these issues. CONCLUSIONS: The Health4Life school-based program is the first universal, web-based program to concurrently address 6 important chronic disease risk factors among secondary school students. By adopting a multiple health behavior change approach, it has the potential to efficiently modify the Big 6 risk factors within one program and to equip young people with the skills and knowledge needed to achieve and maintain good physical and mental health throughout adolescence and into adulthood.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,083

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,123
Tête enseignante GPT0,477
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetDigital Mental Health InterventionsTravaux en français237 207