Ratings and experiences in using a mobile application to increase physical activity among university students: implications for future design
Notice bibliographique
Résumé
Abstract University students have low levels of physical activity and are at risk of mental health disorders. Mobile apps to encourage physical activity can help students, who are frequent smartphone-users, to improve their physical and mental health. Here we report students’ qualitative feedback on a physical activity smartphone app with motivational text messaging. We provide recommendations for the design of future apps. 103 students used the app for 6 weeks in the context of a clinical trial (NCT04440553) and answered open-ended questions before the start of the study and at follow-up. A subsample ( n = 39) provided additional feedback via text message, and a phone interview ( n = 8). Questions focused on the perceived encouragement and support by the app, text messaging content, and recommendations for future applications. We analyzed all transcripts for emerging themes using qualitative coding in Dedoose. The majority of participants were female (69.9%), Asian or Pacific Islander (53.4%), with a mean age of 20.2 years, and 63% had elevated depressive symptoms. 26% felt encouraged or neutral toward the app motivating them to be more physically active. Participants liked messages on physical activity benefits on (mental) health, encouraging them to complete their goal, and feedback on their activity. Participants disliked messages that did not match their motivations for physical activity and their daily context (e.g., time, weekday, stress). Physical activity apps for students should be adapted to their motivations, changing daily context, and mental health issues. Feedback from this sample suggests a key to effectiveness is finding effective ways to personalize digital 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».