Proof-of-concept testing of a mobile application-delivered mindfulness exercise for emotional eaters: RAIN delivered as a step-by-step image sequence
Notice bibliographique
Résumé
Background: Over fifty percent of individuals with overweight and obesity are emotional eaters. Emotional eating can be theorized as a conditioned response to eat for reasons that are not associated with physiological hunger. We conducted this proof-of-concept study to gather evidence that a mobile app that delivers a common non-meditative mindfulness exercise called RAIN, in a step-by-step image sequence can improve emotional eating and other outcomes over a 3-week period. Methods: Forty-nine Canadian adults who self reported as emotional eaters (mean age =30.7 years) were recruited through social media and participated in a workshop in which RAIN and its use on the app were introduced. Participants were asked to use the app every time that they experienced a non-homeostatic craving to eat for three weeks. Emotional eating, reactivity to food cravings, perceived loss of control around food, distress tolerance, and eating-specific mindfulness were assessed pre- and post-intervention. Results: Improvements on all outcomes were found (r-range, -0.58 to -0.28). The feasibility of the mobile application was demonstrated by a low attrition rate (8%), high user satisfaction, and strong app engagement metrics. Conclusions: The data provide proof-of-concept evidence that a mobile app that delivers a mindfulness exercise in a step-by-step image sequence has potential to be effective and thus identifies a new approach that may reduce emotional eating in an accessible and affordable manner.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».