Efficacy of technology-based personalised feedback on diet quality in young Australian adults: results for the advice, ideas and motivation for my eating (Aim4Me) randomised controlled trial
Notice bibliographique
Résumé
Abstract Objective: Web-based dietary interventions could support healthy eating. The Advice, Ideas and Motivation for My Eating (Aim4Me) trial investigated the impact of three levels of personalised web-based dietary feedback on diet quality in young adults. Secondary aims were to investigate participant retention, engagement and satisfaction. Design: Randomised controlled trial. Setting: Web-based intervention for young adults living in Australia. Participants: 18–24-year-olds recruited across Australia were randomised to Group 1 (control: brief diet quality feedback), Group 2 (comprehensive feedback on nutritional adequacy + website nutrition resources) or Group 3 (30-min dietitian consultation + Group 2 elements). Australian Recommended Food Score (ARFS) was the primary outcome. The ARFS subscales and percentage energy from nutrient-rich foods (secondary outcomes) were analysed at 3, 6 and 12 months using generalised linear mixed models. Engagement was measured with usage statistics and satisfaction with a process evaluation questionnaire. Results: Participants ( n 1005, 85 % female, mean age 21·7 ± 2·0 years) were randomised to Group 1 ( n 343), Group 2 ( n 325) and Group 3 ( n 337). Overall, 32 (3 %), 88 (9 %) and 141 (14 %) participants were retained at 3, 6 and 12 months, respectively. Only fifty-two participants (15 % of Group 3) completed the dietitian consultation. No significant group-by-time interactions were observed ( P > 0·05). The proportion of participants who visited the thirteen website pages ranged from 0·6 % to 75 %. Half (Group 2 = 53 %, Group 3 = 52 %) of participants who completed the process evaluation (Group 2, n 111; Group 3, n 90) were satisfied with the programme. Conclusion: Recruiting and retaining young adults in web-based dietary interventions are challenging. Future research should consider ways to optimise these interventions, including co-design methods.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Essai randomisé | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Essai randomisé | low |
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».