Mobile Health Fitness Applications: A Quantitative Analysis of Features and Barriers to Routine Use and Data Sharing Acceptability (Preprint)
Notice bibliographique
Résumé
BACKGROUND Mobile health (mHealth) fitness applications are increasingly being used for research and physical activity promotion; however, which features facilitate and impede routine engagement, a known predictor of application retention, are not well understood. OBJECTIVE To understand facilitators and barriers in the use of mobile applications relating to physical activity promotion. METHODS We distributed a pan-Canadian online questionnaire via the behavioral research platform Prolific.co to evaluate what features associated with the use and routine engagement (i.e., daily, or weekly use) of mHealth fitness applications, and attitudes about data sharing. Binary logistic regression was used to quantify the association between these endpoints and exploratory factors such as the perceived utility of various mHealth application features. RESULTS The survey received 694 responses. Most people were women (62%), the median age was 28 (range: 18–78), and most people reported current use of an mHealth fitness application (48%). The perceived importance of personal health (OR 2.40; 95%·CI 1.34–4.50) was the factor most associated with the current use of an mHealth fitness application. The feature most associated with routine engagement was the ability to track progress toward a goal (OR 5.10, 95%·CI 2.73–9.61) while the most significant barrier was the absence of goal customization features (OR 0.44, 95%·CI 0.25–0.81). The acceptance of sharing health data for research was high (56%) and privacy concerns did not significantly affect routine engagement (OR 0.81, 95%·CI 0.40–1.77). Results were consistent across race and gender. CONCLUSIONS Our results demonstrate that mHealth applications have the potential to be scaled across populations. Optimizing applications to improve self-monitoring and personalization could increase routine engagement and thus user retention and intervention effectiveness.
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 | 0,013 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».