The Effect of Culture and Social-Cognitive Characteristics on App Preference and Willingness to Use a Fitness App
Notice bibliographique
Résumé
Fitness apps are persuasive tools developed to motivate physical activity. Despite their popularity, there is little work on how social-cognitive characteristics such as culture, household size, physical activity level, perceived self-efficacy and social support influence users’ willingness to use them and preference (personal vs. social). Knowing these relationships can help developers tailor fitness apps to different socio-cultural groups. Hence, we conducted two studies to address the research gap. In the first study (n = 194) aimed at recruiting participants for the second study, we asked participants about their app preference (personal vs. social), physical activity level and key demographic variables. In the second study (n = 49), we asked participants about their social-cognitive beliefs about exercise and their willingness to use a fitness app (presented as a screenshot). The results of the first study showed that, in the collectivist group (Nigerians), people in large households were more likely to be active and use the social version of a fitness app than those in small households. However, in the individualist group (Canadians/Americans), neither the preference for the social or personal version of a fitness app nor the physical activity level depended on the household size. Moreover, in the second study, in the individualist model, perceived self-efficacy and perceived self-regulation have a significant total effect on willingness to use a fitness app. However, in the collectivist model, perceived social support and outcome expectation have a significant total effect on the target construct. Finally, we found that females in individualist cultures had higher overall social-cognitive beliefs about exercise than males in individualist cultures and females in collectivist cultures. The implications of the findings are discussed.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».