Personalization of Mobile Apps for Health Behavior Change: Protocol for a Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health apps have the potential to motivate people to adopt healthier behavior, but many fail to maintain this behavior over time. However, it has been suggested that long-term adherence can be improved by personalizing the proposed interventions. Based on the literature, we created a conceptual framework for selecting appropriate functionalities according to the user's profile. OBJECTIVE: This cross-sectional study aims to investigate if the relationships linking functionalities and profiles proposed in our conceptual framework are confirmed by user preferences. METHODS: A web-based questionnaire comprising several sections was developed to determine the mobile app functionalities most likely to promote healthier behavior. First, participants completed questionnaires to define the user profile (Big Five Inventory-10, Hexad Scale, and perception of the social norm using dimensions of the Theory of Planned Behavior). Second, participants were asked to select the 5 functionalities they considered to be the most relevant to motivate healthier behavior and to evaluate them on a score ranging from 0 to 100. We will perform logistic regressions with the selected functionalities as dependent variables and with the 3 profile scales as predictors to allow us to understand the effect of the participants' scores on each of the 3 profile scales on the 5 selected functionalities. In addition, we will perform logistic ordinal regressions with the motivation score of the functionalities chosen as dependent variables and with scores of the 3 profile scales as predictors to determine whether the scores on the different profile scales predict the functionality score. RESULTS: Data collection was conducted between July and December 2021. Analysis of responses began in January 2022, with the publication of results expected by the end of 2022. CONCLUSIONS: This study will allow us to validate our conceptual model by defining the preferred functionalities according to user profiles. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR1-10.2196/38603.
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 | 0,025 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,009 |
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 ».