MétaCan
Menu
Retour à la cohorte
Enregistrement W3092589564 · doi:10.1016/j.pmedr.2020.101224

The use of the behaviour change wheel in the development of ParticipACTION’s physical activity app

2020· article· en· W3092589564 sur OpenAlexafffundabout
Stephanie Truelove, Leigh M. Vanderloo, Patricia Tucker, Katie M. Di Sebastiano, Guy Faulkner

Notice bibliographique

RevuePreventive Medicine Reports · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensUniversity of British ColumbiaHospital for Sick ChildrenSickKids FoundationInstitute for Clinical Evaluative SciencesWestern University
Organismes subventionnairesCanadian Institutes of Health ResearchMitacsOntario Trillium FoundationPublic Health AgencyPublic Health Agency of Canada
Mots-clésPromotion (chess)Intervention (counseling)Behaviour changeBehavior changeBehavior change methodsPhysical activityPsychologyIdentification (biology)Scale (ratio)Applied psychologyHealth promotionProcess (computing)Psychological interventionComputer scienceProcess managementMedicineSocial psychologyEngineeringPhysical medicine and rehabilitationPublic healthNursingPolitical science

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to provide a detailed and systematic outline of how a theoretical behaviour change framework was applied in the development of ParticipACTION's app to support a more active Canada. The app development process was guided by the Behaviour Change Wheel (BCW) framework, a theoretically-based approach for intervention development, in collaboration with the commercial app industry. Specifically, a behavioural diagnosis was used to understand what needs to change for the targeted behaviour to occur. Current literature, along with a series of surveys, and market research informed app development. Additionally, a validated app behaviour change scale, was consulted throughout development to help ensure app features maximized behaviour change potential. The behavioural diagnosis revealed that the app needed to target individuals' physical and psychological capabilities, physical and social opportunities, and reflective and automatic motivations in order to increase physical activity levels. To accomplish this, 6 of a possible 9 intervention functions and 2 of 7 policy categories were selected from the BCW to be included in the app. Goals and planning, feedback and monitoring, behaviour identification, action planning and knowledge shaping were selected as the main behaviour change techniques for the app. Collaboration with a mobile app development firm helped to embed the selected behaviour change techniques, policy categories, intervention functions, and sources of behaviour within the app. Using a systematic approach, this study used the BCW to ensure the health promotion app was theoretically informed. Future research will evaluate its effectiveness in increasing the physical activity of Canadians.

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)0,042
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,222

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0420,041
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0030,002
Science ouverte0,0010,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,329
Tête enseignante GPT0,485
Écart entre enseignants0,156 · 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'étudeSans objet
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

Citations65
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePreventive Medicine ReportsMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207