MétaCan
Menu
Retour à la cohorte
Enregistrement W4390515501 · doi:10.2196/48954

Designing and Validating a Novel Method for Assessing Delay Discounting Associated With Health Behaviors: Ecological Momentary Assessment Study

2024· article· en· W4390515501 sur OpenAlexvenueno aff
Amanda Luken, Jill A. Rabinowitz, Jonathan Wells, David W. Sosnowski, Justin C. Strickland, Johannes Thrul, Gregory D. Kirk, Brion S. Maher

Notice bibliographique

RevueJMIR Formative Research · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Drug Abuse
Mots-clésDelay discountingEcologyDiscountingPsychologyBiologyDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Delay discounting quantifies an individual's preference for smaller, short-term rewards over larger, long-term rewards and represents a transdiagnostic factor associated with numerous adverse health outcomes. Rather than a fixed trait, delay discounting may vary over time and place, influenced by individual and contextual factors. Continuous, real-time measurement could inform adaptive interventions for various health conditions. OBJECTIVE: The goals of this paper are 2-fold. First, we present and validate a novel, short, ecological momentary assessment (EMA)-based delay discounting scale we developed. Second, we assess this tool's ability to reproduce known associations between delay discounting and health behaviors (ie, substance use and craving) using a convenience-based sample. METHODS: Participants (N=97) were adults (age range 18-71 years), recruited on social media. In phase 1, data were collected on participant sociodemographic characteristics, and delay discounting was evaluated via the traditional Monetary Choice Questionnaire (MCQ) and our novel method (ie, 7-item time-selection and 7-item monetary-selection scales). During phase 2 (approximately 6 months later), participants completed the MCQ, our novel delay discounting measures, and health outcomes questions. The correlations between our method and the traditional MCQ within and across phases were examined. For scale reduction, a random number of items were iteratively selected, and the correlation between the full and random scales was assessed. We then examined the association between our time- and monetary-selection scales assessed during phase 2 and the percentage of assessments that participants endorsed using or craving alcohol, tobacco, or cannabis. RESULTS: In total, 6 of the 7 individual time-selection items were highly correlated with the full scale (r>0.89). Both time-selection (r=0.71; P<.001) and monetary-selection (r=0.66; P<.001) delay discounting rates had high test-retest reliability across phases 1 and 2. Phase 1 MCQ delay discounting function highly correlated with phase 1 (r=0.76; P<.001) and phase 2 (r=0.45; P<.001) time-selection delay discounting scales. One or more randomly chosen time-selection items were highly correlated with the full scale (r>0.94). Greater delay discounting measured via the time-selection measure (adjusted mean difference=5.89, 95% CI 1.99-9.79), but not the monetary-selection scale (adjusted mean difference=-0.62, 95% CI -3.57 to 2.32), was associated with more past-hour tobacco use endorsement in follow-up surveys. CONCLUSIONS: This study evaluated a novel EMA-based scale's ability to validly and reliably assess delay discounting. By measuring delay discounting with fewer items and in situ via EMA in natural environments, researchers may be better able to identify individuals at risk for poor health outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,040
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0400,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0040,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,382
Tête enseignante GPT0,616
Écart entre enseignants0,234 · 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 tête enseignante, pas un consensus.

Devis d'étudeAutre devis
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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207