Gambling Prevention Mobile Applications: Understanding the Inclusion and Use of Behaviour Change Techniques
Notice bibliographique
Résumé
Online gambling is emerging as a significant health behaviour of concern at a population level. Mobile applications (apps) are a popular tool to target change in health behaviour. Behaviour change techniques (BCTs) can be included within such apps to change relevant psychological mechanisms along established pathways, yet the content of apps targeting gambling problems specifically is not currently known. The purpose of the review was to identify the BCTs included in gambling prevention apps. Apps were downloaded from the Apple App Store and Google Play Store in October 2020. Apps were included if they related to gambling problems, were freely downloadable, and available in English. Once downloaded, two researchers independently coded the apps in November 2020 using the behaviour change technique taxonomy version 1 (Michie et al., 2013). The screening led to forty apps meeting the inclusion criteria (12 Apple App Store, 28 Google Play). The analyses identified 32 BCTs (20 Apple apps, 28 Google Play apps), with apps including between 0 and 9 BCTs (mean = 2.82, median = 2). The BCTs included most frequently were “3.1. Social support (unspecified),” “2.3. Self-monitoring of behaviour,” and “7.4. Remove access to the reward.” The review provides important information on the BCTs used in apps developed to reduce gambling-related problems. A limited number of BCTs were adopted within apps. Developers of apps seeking to develop effective gambling reduction products should draw upon a greater variety of BCTs.
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 | 0,014 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».