User Perceptions of eHealth and mHealth Services Promoting Physical Activity and Healthy Diets: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Physical activity and a diet that follows general recommendations can help to prevent noncommunicable diseases. However, most adults do not meet current recommended guidelines, and support for behavior change needs to be strengthened. There is growing evidence that shows the benefits of eHealth and mobile health (mHealth) services in promoting healthy habits; however, their long-term effectiveness is uncertain because of nonadherence. OBJECTIVE: We aimed to explore users' perceptions of acceptability, engagement, and usability of eHealth and mHealth services that promote physical activity, healthy diets, or both in the primary or secondary prevention of noncommunicable diseases. METHODS: We conducted a systematic review with a narrative synthesis. We performed the literature search in PubMed, PsycINFO, and CINAHL electronic databases in February 2021 and July 2021. The search was limited to papers published in English between 2016 and 2021. Papers on qualitative and mixed method studies that encompassed eHealth and mHealth services for adults with a focus on physical activity, healthy diet, or both in the primary or secondary prevention of noncommunicable diseases were included. Three authors screened the studies independently, and 2 of the authors separately performed thematic analysis of qualitative data. RESULTS: With an initial finding of 6308 articles and the removal of 427 duplicates, 23 articles were deemed eligible for inclusion in the review. Based on users' preferences, an overarching theme-eHealth and mHealth services provide value but need to be tailored to individual needs-and 5 subthemes-interactive and integrated; varying and multifunctional; easy, pedagogic, and attractive; individualized and customizable; and reliable-emerged. CONCLUSIONS: New evidence on the optimization of digital services that promote physical activity and healthy diets has been synthesized. The findings represent users' perceptions of acceptability, engagement, and usability of eHealth and mHealth services and show that services should be personalized, dynamic, easily manageable, and reliable. These findings can help improve adherence to digital health-promoting services.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».