Behaviour change interventions: getting in touch with individual differences, values and emotions
Notice bibliographique
Résumé
Systematic reviews and meta-analyses suggest that behaviour change interventions have modest effect sizes, struggle to demonstrate effect in the long term and that there is high heterogeneity between studies. Such interventions take huge effort to design and run for relatively small returns in terms of changes to behaviour.So why do behaviour change interventions not work and how can we make them more effective? This article offers some ideas about what may underpin the failure of behaviour change interventions. We propose three main reasons that may explain why our current methods of conducting behaviour change interventions struggle to achieve the changes we expect: 1) our current model for testing the efficacy or effectiveness of interventions tends to a mean effect size. This ignores individual differences in response to interventions; 2) our interventions tend to assume that everyone values health in the way we do as health professionals; and 3) the great majority of our interventions focus on addressing cognitions as mechanisms of change. We appeal to people's logic and rationality rather than recognising that much of what we do and how we behave, including our health behaviours, is governed as much by how we feel and how engaged we are emotionally as it is with what we plan and intend to do.Drawing on our team's experience of developing multiple interventions to promote and support health behaviour change with a variety of populations in different global contexts, this article explores strategies with potential to address these issues.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».