Do Individual Characteristics and Social Support Increase Children's Use of an MHealth Intervention? Findings from the Evaluation of a Behavior Change MHealth App, Aim2Be
Notice bibliographique
Résumé
Purpose: Mobile health (mHealth) apps may support improved health behavior practice among youth living in larger bodies. However, long-term use is low, limiting effectiveness. This study evaluated whether youths' motivation, satisfaction, engagement with social features, or parent co-participation supported long-term use of an app named Aim2Be. Methods: A secondary analysis of two versions of Aim2Be (preteen and teen versions) using covariate-adjusted multivariable regression was conducted. We evaluated associations between social support features (a virtual coach, a social poll, or a social wall), parent co-participation (time spent in the parent app), and app satisfaction on use (time spent in Aim2Be). Models were stratified by age and satisfaction was explored as a moderator. Results: Preteens ( n = 83) engagement with the social poll ( β = 0.26, p < 0.001), virtual health coach ( β = 0.24, p = 0.01), app satisfaction ( β = 0.31, p = 0.01), and parent co-participation ( β = 0.24, p = 0.01) predicted use. In teens ( n = 90), engagement with the virtual coach ( β = 0.31, p < 0.001) and full utilization of social wall features ( β = 0.41, p < 0.001) predicted use. Furthermore, satisfaction moderated the effects of partial utilization of the social wall among teens ( β = 0.32 p = 0.02). Conclusion: Social support in mHealth apps may impact users differently depending on age. Features that include health professionals or peers may be more advantageous across ages. App developers should consider age when designing interventions. Clinical Trial Registration NCT03651284
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».