Co-designing Behavior Change Resources With Treatment-Seeking Smokers: Engagement Events' Findings
Notice bibliographique
Résumé
Background: Primary care organizations are well-suited to help patients change their unhealthy behaviors. Evidence shows that risk communication and self-monitoring of behavior are is an effective strategy practitioners can use to promote health behavior change with their patients. In order for this evidence to be actionable, it is important to understand how patients would like this information to be communicated and to operationalize the self-monitoring resources. The objective of this study was to co-create resources that encourage behavior change based on the scientific evidence and from patients with lived experiences. Materials and Methods: Twenty-seven individuals who participated in a smoking cessation program and engaged in at least one other unhealthy behavior joined one of two engagement events. Each event was 3 h in duration and consisted of two exercises that provided support to participants in reaching a consensus about the types of messages they would like to receive from their practitioner as well as self-monitoring resources they would prefer to use. The first exercise followed an adapted version of the Consensus Methodology developed by the Institute of Cultural Affairs Canada, while the second exercise was in accordance to the Nominal Group Technique. Results: Participants' preference was to have practitioners convey messages to promote health behavior change that include positive affirmation and to monitor all their health behaviors using a single self-reported tracking sheet. Conclusions: This paper features the use of engagement events to reflect upon and identify potential resources that treatment seeking smokers prefer to receive while attempting to modify unhealthy behaviors. These resources can be used by health care providers in primary care settings to support health promotion interventions and assist their patients to increase their likelihood of adopting positive changes to risk behaviors.
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 | 0,016 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».