Acceptability of Mobile App–Based Motivational Interviewing and Preferences for App Features to Support Self-Management in Patients With Type 2 Diabetes: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Patients with type 2 diabetes mellitus (T2DM) experience multiple barriers to improving self-management. Evidence suggests that motivational interviewing (MI), a patient-centered communication method, can address patient barriers and promote healthy behavior. Despite the value of MI, existing MI studies predominantly used face-to-face or phone-based interventions. With the growing adoption of smartphones, automated MI techniques powered by artificial intelligence on mobile devices may offer effective motivational support to patients with T2DM. OBJECTIVE: This study aimed to explore the perspectives of patients with T2DM on the acceptability of app-based MI in routine health care and collect their feedback on specific MI module features to inform our future intervention. METHODS: We conducted semistructured interviews with patients with T2DM, recruited from public primary care clinics. All interviews were audio recorded and transcribed verbatim. Thematic analysis was conducted using NVivo. RESULTS: In total, 33 patients with T2DM participated in the study. Participants saw MI as a mental reminder to increase motivation and a complementary care model conducive to self-reflection and behavior change. Yet, there was a sense of reluctance, mainly stemming from potential compromise of autonomy in self-care by the introduction of MI. Some participants felt confident in their ability to manage conditions independently, while others reported already making changes and preferred self-management at their own pace. Compared with in-person MI, app-based MI was viewed as offering a more relaxed atmosphere for open sharing without being judged by health care providers. However, participants questioned the lack of human touch, which could potentially undermine a patient-provider therapeutic relationship. To sustain motivation, participants suggested more features of an ongoing supportive nature such as the visualization of milestones, gamified challenges and incremental rewards according to achievements, tailored multimedia resources based on goals, and conversational tools that are interactive and empathic. CONCLUSIONS: Our findings suggest the need for a hybrid model of intervention involving both app-based automated MI and human coaching. Patient feedback on specific app features will be incorporated into the module development and tested in a randomized controlled trial.
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 | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».