Loss-Framed Adaptive Microcontingency Management for Preventing Prolonged Sedentariness: Development and Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: A growing body of evidence shows that financial incentives can effectively reinforce individuals' positive behavior change and improve compliance with health intervention programs. A critical factor in the design of incentive-based interventions is to set a proper incentive magnitude. However, it is highly challenging to determine such magnitudes as the effects of incentive magnitude depend on personal attitudes and contexts. OBJECTIVE: This study aimed to illustrate loss-framed adaptive microcontingency management (L-AMCM) and the lessons learned from a feasibility study. L-AMCM discourages an individual's adverse health behaviors by deducting particular expenses from a regularly assigned budget, where expenses are adaptively estimated based on the individual's previous responses to varying expenses and contexts. METHODS: We developed a mobile health intervention app for preventing prolonged sedentary lifestyles. This app delivered a behavioral mission (ie, suggesting taking an active break for a while) with an incentive bid when 50 minutes of uninterrupted sedentary behavior happened. Participants were assigned to either the fixed (ie, deducting the monotonous expense for each mission failure) or adaptive (ie, deducting varying expenses estimated by the L-AMCM for each mission failure) incentive group. The intervention lasted 3 weeks. RESULTS: We recruited 41 participants (n=15, 37% women; fixed incentive group: n=20, 49% of participants; adaptive incentive group: n=21, 51% of participants) whose mean age was 24.0 (SD 3.8; range 19-34) years. Mission success rates did not show statistically significant differences by group (P=.54; fixed incentive group mean 0.66, SD 0.24; adaptive incentive group mean 0.61, SD 0.22). The follow-up analysis of the adaptive incentive group revealed that the influence of incentive magnitudes on mission success was not statistically significant (P=.18; odds ratio 0.98, 95% CI 0.95-1.01). On the basis of the qualitative interviews, such results were possibly because the participants had sufficient intrinsic motivation and less sensitivity to incentive magnitudes. CONCLUSIONS: Although our L-AMCM did not significantly affect users' mission success rate, this study configures a pioneering work toward adaptively estimating incentives by considering user behaviors and contexts through leveraging mobile sensing and machine learning. We hope that this study inspires researchers to develop incentive-based interventions.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».