Physiological Responses and User Feedback on a Gameful Breathing Training App: Within-Subject Experiment
Notice bibliographique
Résumé
BACKGROUND: Slow-paced breathing training (6 breaths per minute [BPM]) improves physiological and psychological well-being by inducing relaxation characterized by increased heart rate variability (HRV). However, classic breathing training has a limited target group, and retention rates are very low. Although a gameful approach may help overcome these challenges, it is crucial to enable breathing training in a scalable context (eg, smartphone only) and ensure that they remain effective. However, despite the health benefits, no validated mobile gameful breathing training featuring a biofeedback component based on breathing seems to exist. OBJECTIVE: This study aims to describe the design choices and their implementation in a concrete mobile gameful breathing training app. Furthermore, it aims to deliver an initial validation of the efficacy of the resulting app. METHODS: Previous work was used to derive informed design choices, which, in turn, were applied to build the gameful breathing training app Breeze. In a pretest (n=3), design weaknesses in Breeze were identified, and Breeze was adjusted accordingly. The app was then evaluated in a pilot study (n=16). To ascertain that the effectiveness was maintained, recordings of breathing rates and HRV-derived measures (eg, root mean square of the successive differences [RMSSDs]) were collected. We compared 3 stages: baseline, standard breathing training deployed on a smartphone, and Breeze. RESULTS: Overall, 5 design choices were made: use of cool colors, natural settings, tightly incorporated game elements, game mechanics reflecting physiological measures, and a light narrative and progression model. Breeze was effective, as it resulted in a slow-paced breathing rate of 6 BPM, which, in turn, resulted in significantly increased HRV measures compared with baseline (P<.001 for RMSSD). In general, the app was perceived positively by the participants. However, some criticized the somewhat weaker clarity of the breathing instructions when compared with a standard breathing training app. CONCLUSIONS: The implemented breathing training app Breeze maintained its efficacy despite the use of game elements. Moreover, the app was positively perceived by participants although there was room for improvement.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».