Effectiveness of Mobile Apps in Promoting Healthy Behavior Changes and Preventing Obesity in Children: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Mobile apps have been increasingly incorporated into healthy behavior promotion interventions targeting childhood obesity. However, their effectiveness remains unclear. OBJECTIVE: This paper aims to conduct a systematic review examining the effectiveness of mobile apps aimed at preventing childhood obesity by promoting health behavior changes in diet, physical activity, or sedentary behavior in children aged 8 to 12 years. METHODS: MEDLINE, Embase, PsycINFO, CINAHL, and ERIC were systematically searched for peer-reviewed primary studies from January 2008 to July 2021, which included children aged 8 to 12 years; involved mobile app use; and targeted at least one obesity-related factor, including diet, physical activity, or sedentary behavior. Data extraction and risk of bias assessments were conducted by 2 authors. RESULTS: Of the 13 studies identified, most used a quasi-experimental design (n=8, 62%). Significant improvements in physical activity (4/8, 50% studies), dietary outcomes (5/6, 83% studies), and BMI (2/6, 33% studies) were reported. All 6 multicomponent interventions and 57% (4/7) of standalone interventions reported significant outcomes in ≥1 behavioral change outcome measured (anthropometric, physical activity, dietary, and screen time outcomes). Gamification, behavioral monitoring, and goal setting were common features of the mobile apps used in these studies. CONCLUSIONS: Apps for health behavior promotion interventions have the potential to increase the adoption of healthy behaviors among children; however, their effectiveness in improving anthropometric measures remains unclear. Further investigation of studies that use more rigorous study designs, as well as mobile apps as a standalone intervention, is needed.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».