Personalized Coaching via Texting for Behavior Change to Understand a Healthy Lifestyle Intervention in a Naturalistic Setting: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Digital health interventions, such as personalized SMS coaching, are considered affordable and scalable methods to support healthy lifestyle changes. SMS, or texting, is a readily available service to most people in Sweden, and personalized SMS coaching has shown great promise in supporting behavior changes. OBJECTIVE: This study aims to explore the effectiveness of highly personalized SMS coaching for behavior change according to the Capability, Opportunity, Motivation-Behavior (COM-B) model on a sample of physically inactive adults in a nonprofit fitness organization in Sweden. METHODS: The study used a mixed methods design in which clients acted as their own controls. The participants were clients (n=28) and fitness consultants (n=12). Three types of data were collected: (1) quantitative data at baseline and after the SMS intervention and the waitlist from the clients, (2) qualitative data from semistructured interviews with the fitness consultants, and (3) pseudonymized texting conversations between the fitness consultants and clients. RESULTS: Overall, the results showed that personalized SMS coaching was effective in supporting the clients' behavior changes. The quantitative analysis showed how the clients' capabilities (Cohen d=0.50), opportunities (Cohen d=0.43), and relationship with the fitness consultants (Cohen d=0.51) improved during the SMS intervention in comparison with baseline. Furthermore, the qualitative analysis revealed how personalized texts added value to existing work methods (eg, increasing continuity and flexibility) and how the relationship between the clients and fitness consultants changed during the intervention, which helped motivate the clients. CONCLUSIONS: Personalized SMS coaching is an effective method for supporting healthy behavior changes. The human connection that emerged in this study needs to be further explored to fully understand the effectiveness of a digital health intervention.
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 | 0,018 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».