Supportive Accountability and Mobile App Use in a Tobacco Control Intervention Targeting Low-Income Minority Mothers Who Smoke: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Smartphone mobile apps are frequently used in standalone or multimodal smoking cessation interventions. However, factors that impede or improve app usage are poorly understood. OBJECTIVE: This study used the supportive accountability model to investigate factors that influence app usage in the context of a trial designed to reduce maternal smoking in low-income and predominantly minority communities. METHODS: We conducted a secondary analysis of data (N=181) from a randomized controlled trial that included a smoking cessation app (QuitPal-m). Supportive accountability was measured by the number of times a participant was advised by their cessation counselor to use QuitPal-m. Participants reported app use helpfulness and barriers. Investigators tracked reported phone and technical problems that impeded app use. RESULTS: Most participants rated the app as very helpful (103/155, 66.5%), but daily use declined rapidly over time. App use was positively related to the level of perceived app helpfulness (P=.02) and education (P=.002) and inversely related to perceived barriers (P=.003), phone technical problems (P<.001), and cigarettes smoked per day at the end of treatment (P<.001). Participants used the app a greater proportion of the days following app advice than those preceding app advice (0.45 versus 0.34; P<.001). The positive relation between counselor app advice and app usage 24 hours after receiving advice was stronger among smokers with no plan to quit than in those planning to quit (P=.03), independent of education and phone or app problems. CONCLUSIONS: Findings show the utility of supportive accountability for increasing smoking cessation app use in a predominantly low-income, minority population, particularly if quit motivation is low. Results also highlight the importance of addressing personal and phone/technical barriers in addition to adding supportive accountability. TRIAL REGISTRATION: ClinicalTrials.gov NCT02602288; https://clinicaltrials.gov/ct2/show/NCT02602288.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».