Using the behavior change wheel to develop text messages to promote diet and physical activity adherence following a diabetes prevention program
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Improving diet and physical activity (PA) can reduce the risk of developing type 2 diabetes (T2D); however, long-term diet and PA adherence is poor. To impact population-level T2D risk, scalable interventions facilitating behavior change adherence are needed. Text messaging interventions supplementing behavior change interventions can positively influence health behaviors including diet and PA. The Behavior Change Wheel (BCW) provides structure to intervention design and has been used extensively in health behavior change interventions. Describe the development process of a bank of text messages targeting dietary and PA adherence following a diabetes prevention program using the BCW. The BCW was used to select the target behavior, barriers and facilitators to engaging in the behavior, and associated behavior change techniques (BCTs). Messages were written to map onto BCTs and were subsequently coded for BCT fidelity. The target behaviors were adherence to diet and PA recommendations. A total of 16 barriers/facilitators and 28 BCTs were selected for inclusion in the messages. One hundred and twenty-four messages were written based on selected BCTs. Following the fidelity check a total of 43 unique BCTs were present in the final bank of messages. This study demonstrates the application of the BCW to guide the development of a bank of text messages for individuals with prediabetes. Results underscore the potential utility of having independent coders for an unbiased expert evaluation of what active components are in use. Future research is needed to demonstrate the feasibility and effectiveness of resulting bank of messages.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle