A look at engagement profiles and behavior change: A profile analysis examining engagement with the Aim2Be lifestyle behavior modification app for teens and their families
Notice bibliographique
Résumé
Mobile-Health is increasingly used to deliver lifestyle modification interventions; however, little is known about how users engage with these apps. This study aims to profile how teens engage with Aim2Be– a lifestyles behavior modification app), characterize engagement profiles, and examine which engagement profiles support changes in behaviors (diet, physical activity , screen time and sleep) and changes in the mediators targeted by the app. Data were collected from 301 teens (14.8 years, 49% boys, 68% Caucasian) living in Canada, from March to October 2018, who utilized the Aim2Be app for 4.5 months. App-analytics tracked teen engagement with the app features (selecting aims, completing tasks and quick wins, using the knowledge center and social wall, and accessing the virtual coach). Factor mixture modeling identified the following engagement profiles: Uninvolved (32%) did not use most app features; Dabblers (25%) minimally used the app features; Engaged (24%) had moderate-to-high use of app features; and Keeners (19%) had the highest use of all app features. Regression models showed that teens were more engaged with Aim2Be if their parents were involved and if they participated with their mothers and/or an educated parent. Finally, Keeners significantly improved on most mediators of behavior change and increased their fruit and vegetable intake. The findings suggest that parental engagement supported teen engagement of the Aim2Be app and high engagement was needed to support behavior change among teens. Gaining a greater understanding of the features that appeal to teens is necessary to support behavior change.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 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 ».