MétaCan
Menu
Retour à la cohorte
Enregistrement W4388092104 · doi:10.2196/50573

Building on Existing Classifications of Behavior Change Techniques to Classify Planned Coping Strategies: Physical Activity Diary Study

2023· article· en· W4388092104 sur OpenAlexvenueno aff
Maya Braun, Helene Schroé, Annick De Paepe, Geert Crombez

Notice bibliographique

RevueJMIR Formative Research · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueBehavioral Health and Interventions
Établissements canadiensnon disponible
Organismes subventionnairesBijzonder Onderzoeksfonds UGentUniversiteit Gent
Mots-clésCoping (psychology)CompendiumPsychologyCovertAction planInter-rater reliabilityComputer scienceApplied psychologyMedicineClinical psychologyDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: When trying to be more physically active, preparing for possible barriers by considering potential coping strategies increases the likelihood of plan enactment. Digital interventions can support this process by providing personalized recommendations for coping strategies, but this requires that possible coping strategies are identified and classified. Existing classification systems of behavior change, such as the compendium of self-enactable techniques, may be reused to classify coping strategies in the context of physical activity (PA) coping planning. OBJECTIVE: This study investigated whether coping strategies created by a student population to overcome barriers to be physically active can be mapped onto the compendium of self-enactable techniques and which adaptations or additions to the frameworks are needed. METHODS: In total, 359 Flemish university students created action and coping plans for PA for 8 consecutive days in 2020, resulting in 5252 coping plans. A codebook was developed iteratively using the compendium of self-enactable techniques as a starting point to code coping strategies. Additional codes were added to the codebook iteratively. Interrater reliability was calculated, and descriptive statistics were provided for the coping strategies. RESULTS: Interrater reliability was moderate (Cohen κ=0.72) for the coded coping strategies. Existing self-enactable techniques covered 64.6% (3393/5252) of the coded coping strategies, and added coping strategies covered 28.52% (n=1498). The remaining coping strategies could not be coded as entries were too vague or contained no coping strategy. The added classes covered multiple ways of adapting the original action plan, managing one's time, ensuring the availability of required material, and doing the activity with someone else. When exploring the data further, we found that almost half (n=2371, 45.1%) of the coping strategies coded focused on contextual factors. CONCLUSIONS: The study's objective was to categorize PA coping strategies. The compendium of self-enactable techniques addressed almost two-thirds (3393/5252, 64.6%) of these strategies, serving as valuable starting points for classification. In total, 9 additional strategies were integrated into the self-enactable techniques, which are largely absent in other existing classification systems. These new techniques can be seen as further refinements of "problem-solving" or "coping planning." Due to data constraints stemming from the COVID-19 pandemic and the study's focus on a healthy Flemish student population, it is anticipated that more coping strategies would apply under normal conditions, in the general population, and among clinical groups. Future research should expand to diverse populations and establish connections between coping strategies and PA barriers, with ontologies recommended for this purpose. This study is a first step in classifying the content of coping strategies for PA. We believe this is an important and necessary step toward digital health interventions that incorporate personalized suggestions for PA coping plans.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,053
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,053
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,005
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,531
Tête enseignante GPT0,621
Écart entre enseignants0,090 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetBehavioral Health and InterventionsTravaux en français237 207