Behavior Change Techniques in Wrist-Worn Wearables to Promote Physical Activity: Content Analysis
Notice bibliographique
Résumé
BACKGROUND: Decreasing levels of physical activity (PA) increase the incidences of noncommunicable diseases, obesity, and mortality. To counteract these developments, interventions aiming to increase PA are urgently needed. Mobile health (mHealth) solutions such as wearable sensors (wearables) may assist with an improvement in PA. OBJECTIVE: The aim of this study is to examine which behavior change techniques (BCTs) are incorporated in currently available commercial high-end wearables that target users' PA behavior. METHODS: The BCTs incorporated in 5 different high-end wearables (Apple Watch Series 3, Garmin Vívoactive 3, Fitbit Versa, Xiaomi Amazfit Stratos 2, and Polar M600) were assessed by 2 researchers using the BCT Taxonomy version 1 (BCTTv1). Effectiveness of the incorporated BCTs in promoting PA behavior was assessed by a content analysis of the existing literature. RESULTS: The most common BCTs were goal setting (behavior), action planning, review behavior goal(s), discrepancy between current behavior and goal, feedback on behavior, self-monitoring of behavior, and biofeedback. Fitbit Versa, Garmin Vívoactive 3, Apple Watch Series 3, Polar M600, and Xiaomi Amazfit Stratos 2 incorporated 17, 16, 12, 11, and 11 BCTs, respectively, which are proven to effectively promote PA. CONCLUSIONS: Wearables employ different numbers and combinations of BCTs, which might impact their effectiveness in improving PA. To promote PA by employing wearables, we encourage researchers to develop a taxonomy specifically designed to assess BCTs incorporated in wearables. We also encourage manufacturers to customize BCTs based on the targeted populations.
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 | 0,000 | 0,001 |
| 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 ».