Adoption of the Website and Mobile App of a Preventive Health Program Across Neighborhoods With Different Socioeconomic Conditions in the Netherlands: Longitudinal Study
Notice bibliographique
Résumé
BACKGROUND: Socioeconomic disparities in the adoption of preventive health programs represent a well-known challenge, with programs delivered via the web serving as a potential solution. The preventive health program examined in this study is a large-scale, open-access web-based platform operating in the Netherlands, which aims to improve the health behaviors and wellness of its participants. OBJECTIVE: This study aims to examine the differences in the adoption of the website and mobile app of a web-based preventive health program across socioeconomic groups. METHODS: The 83,466 participants in this longitudinal, nonexperimental study were individuals who had signed up for the health program between July 2012 and September 2019. The rate of program adoption per delivery means was estimated using the Prentice, Williams, and Peterson Gap-Time model, with the measure of neighborhood socioeconomic status (NSES) used to distinguish between population segments with different socioeconomic characteristics. Registration to the health program was voluntary and free, and not within a controlled study setting, allowing the observation of the true rate of adoption. RESULTS: The estimation results indicate that program adoption across socioeconomic groups varies depending on the program's delivery means. For the website, higher NSES groups have a higher likelihood of program adoption compared with the lowest NSES group (hazard ratio 1.03, 95% CI 1.01-1.05). For the mobile app, the opposite holds: higher NSES groups have a lower likelihood of program adoption compared with the lowest NSES group (hazard ratio 0.94, 95% CI 0.91-0.97). CONCLUSIONS: Promoting preventive health programs using mobile apps can help to increase program adoption among the lowest socioeconomic segments. Given the increasing use of mobile phones among disadvantaged population groups, structuring future health interventions to include mobile apps as means of delivery can support the stride toward diminishing health disparities.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,000 |
| 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 | 0,001 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».