Mobile Health Fitness Interventions
Notice bibliographique
Résumé
Background: Mobile health (mHealth) interventions are increasingly being used for cardiovascular research and physical activity promotion. Objectives: As a result, the authors aimed to evaluate which features facilitate and impede routine engagement with mobile fitness applications. Methods: We distributed a pan-Canadian online questionnaire via the behavioral research platform Prolific.co to evaluate what features are associated with the use and routine engagement (ie, daily or weekly use) of mHealth fitness applications and attitudes about data sharing. Binary logistic regression was used to quantify the association between these endpoints and exploratory factors such as the perceived utility of various mHealth application features. Results: The survey received 694 responses. Most people were women (62%), the median age was 28 years (range: 18-78 years), and most people reported current use of an mHealth fitness application (48%). The perceived importance of personal health (OR: 2.40; 95% CI: 1.34-4.50) was the factor most associated with the current use of an mHealth fitness application. The feature most associated with routine engagement was the ability to track progress toward a goal (OR: 5.10; 95% CI: 2.73-9.61) while the most significant barrier was the absence of goal customization features (OR: 0.44; 95% CI: 0.25-0.81). The acceptance of sharing health data for research was high (56%), and privacy concerns did not significantly affect routine engagement (OR: 0.81; 95% CI: 0.40-1.77). Results were consistent across race and gender. Conclusions: mHealth interventions have the potential to be scaled across populations. Optimizing applications to improve self-monitoring and personalization could increase routine engagement and, thus, user retention and intervention effectiveness.
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 | 0,002 | 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) | 0,001 | 0,005 |
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 ».