Rural Residents’ Perspectives on an mHealth or Personalized Health Coaching Intervention: Qualitative Study With Focus Groups and Key Informant Interviews
Notice bibliographique
Résumé
BACKGROUND: Compared with national averages, rural Appalachians experience extremely elevated rates of premature morbidity and mortality. New opportunities, including approaches incorporating personal technology, may help improve lifestyles and overcome health inequities. OBJECTIVE: This study aims to gather perspectives on whether a healthy lifestyle intervention, specifically an app originally designed for urban users, may be feasible and acceptable to rural residents. In addition to a smartphone app, this program-Make Better Choices 2-consists of personalized health coaching, accelerometer use, and financial incentives. METHODS: We convened 4 focus groups and 16 key informant interviews with diverse community stakeholders to assess perspectives on this novel, evidence-based diet and physical activity intervention. Participants were shown a slide presentation and asked open-ended follow-up questions. The focus group and key informant interview sessions were audiotaped, transcribed, and subjected to thematic analysis. RESULTS: We identified 3 main themes regarding Appalachian residents' perspectives on this mobile health (mHealth) intervention: personal technology is feasible and desirable; challenges persist in implementing mHealth lifestyle interventions in Appalachian communities; and successful mHealth interventions should include personal connections, local coaches, and educational opportunities. Although viewed as feasible and acceptable overall, lack of healthy lifestyle awareness, habitual behavior, and financial constraints may challenge the success of mHealth lifestyle interventions in Appalachia. Finally, participants described several minor elements that require modification, including expanding the upper age inclusion, providing extra coaching on technology use, emphasizing personal and supportive connections, employing local coaches, and ensuring adequate educational content for the program. CONCLUSIONS: Blending new technologies, health coaching, and other features is not only acceptable but may be essential to reach vulnerable rural residents.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».