Predicting Habitual Use of Wearable Health Devices Among Middle-aged Individuals With Metabolic Syndrome Risk Factors in South Korea: Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Prevention of the risk factors for metabolic syndrome (MetS) in middle-aged individuals is an important public health issue. Technology-mediated interventions, such as wearable health devices, can aid in lifestyle modification, but they require habitual use to sustain healthy behavior. However, the underlying mechanisms and predictors of habitual use of wearable health devices among middle-aged individuals remain unclear. OBJECTIVE: We investigated the predictors of habitual use of wearable health devices among middle-aged individuals with risk factors for MetS. METHODS: We proposed a combined theoretical model based on the health belief model, the Unified Technology of Acceptance and Use of Technology 2, and perceived risk. We conducted a web-based survey of 300 middle-aged individuals with MetS between September 3 and 7, 2021. We validated the model using structural equation modeling. RESULTS: The model explained 86.6% of the variance in the habitual use of wearable health devices. The goodness-of-fit indices revealed that the proposed model has a desirable fit with the data. Performance expectancy was the core variable explaining the habitual use of wearable devices. The direct effect of the performance expectancy on habitual use of wearable devices was greater (β=.537, P<.001) than that of intention to continue use (β=.439, P<.001), and the total effect estimate of the performance expectancy was 0.909 (P<.001), including the indirect effect (β=.372, P=.03) on habitual use of wearable devices via intention to continue use. Furthermore, performance expectancy was influenced by health motivation (β=.497, P<.001), effort expectancy (β=.558, P<.001), and risk perception (β=.137, P=.02). Perceived vulnerability (β=.562, P<.001) and perceived severity (β=.243, P=.008) contributed to health motivation. CONCLUSIONS: The results suggest the importance of the users' performance expectations for wearable health devices for the intention of continued use for self-health management and habituation. Based on our results, developers and health care practitioners should find better ways to meet the performance expectations of middle-aged individuals with MetS risk factors. They also should generate device use easier and find a way to encourage users' health motivation, thereby reducing users' effort expectancy and resulting in a reasonable performance expectancy of the wearable health device, to induce users' habitual use behaviors.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».