Motivational Message Framing Effects on Physical Activity Dynamics in a Digital Messaging Intervention: Secondary Analysis
Notice bibliographique
Résumé
BACKGROUND: Digital smartphone messaging can be used to promote physical activity to large populations with limited cost. It is not clear which psychological constructs should be targeted by digital messages to promote physical activity. This gap presents a challenge for developing optimal content for digital messaging interventions. OBJECTIVE: The aim of this study is to compare affectively framed and social cognitively framed messages on subsequent changes in physical activity using dynamical modeling techniques. METHODS: We conducted a secondary analysis of data collected from a digital messaging intervention in insufficiently active young adults (18-29 years) recruited between April 2019 and July 2020 who wore a Fitbit smartwatch for 6 months. Participants received 0 to 6 messages at random per day across the intervention period. Messages were drawn from 3 content libraries: affectively framed, social cognitively framed, or inspirational quotes. Person-specific dynamical models were identified, and model features of impulse response and cumulative step response were extracted for comparison. Two-way repeated-measures ANOVAs evaluated the main effects and interaction of message type and day type on model features. This early-phase work with novel dynamic features may have been underpowered to detect differences between message types so results were interpreted descriptively. RESULTS: Messages (n=20,689) were paired with valid physical activity monitoring data from 45 participants for analysis. Received messages were distributed as 40% affective (8299/20,689 messages), 39% social-cognitive (8187/20,689 messages), and 20% inspirational quotes (4219/20,689 messages). There were no statistically significant main effects for message type when evaluating the steady state of step responses. Participants demonstrated heterogeneity in intervention response: some had their strongest responses to affectively framed messages, some had their strongest responses to social cognitively framed messages, and some had their strongest responses to the inspirational quote messages. CONCLUSIONS: No single type of digital message content universally promotes physical activity. Future work should evaluate the effects of multiple message types so that content can be continuously tuned based on person-specific responses to each message type.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».