MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403717869 · doi:10.2196/56376

Cadence-Based Pedometer App With Financial Incentives to Enhance Moderate-to-Vigorous Physical Activity: Development and Single-Arm Feasibility Study

2024· article· en· W4403717869 sur OpenAlexvenueno aff
K Hayashi, Hiromitsu Imai, Ichiro Oikawa, Yugo Ishihara, Hirokazu Wakuda, Iori Miura, Shingo Uenohara, Asuka Kuwae, Ken’ichi Furuya, Naoto Uemura

Notice bibliographique

RevueJMIR Formative Research · 2024
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPedometerCadenceIncentivePhysical therapyPhysical activityMedicinePhysical medicine and rehabilitationFinancePsychologyComputer scienceBusinessEconomics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: High levels of physical activity are key to improving health outcomes, yet many people fail to take action. Using pedometers to target steps per day and providing financial incentives is a simple and scalable approach to promoting public health. However, conventional pedometers do not account for "intensity" and "duration," making it challenging to efficiently increase people's moderate-to-vigorous physical activity (MVPA), which is expected to improve health outcomes. Based on these rationales, we developed a smartphone app that sets step cadence as a goal (defined as a daily challenge of walking more than 1500 steps in 15 minutes twice a day, which is a heuristic threshold for moderate physical activity) and provides financial incentive when the challenge is met. OBJECTIVE: This study aimed to evaluate the feasibility of our novel app and explore whether its use can increase users' daily MVPA. METHODS: A single-arm pre-post study evaluated the feasibility and efficacy of the app. A total of 15 participants used app 1 (an app without financial incentives) for the first period (4 weeks) and then switched to app 2 (an app with financial incentives) for the second period (4 weeks). The primary outcome was the difference between the first and second periods in the number of successful challenge attempts per week. Secondary outcomes were differences between the first and second periods in daily steps and distance walked. Exploratory outcomes included the difference between the first and second periods in daily "heart points" as measured by Google Fit, a publicly available app that measures users' daily MVPA. RESULTS: The number of successful challenge attempts per week increased significantly compared to the first period (5.6 times per week vs 0.7 times per week; P<.001). Although not statistically significant, there was a trend toward an increase in the mean steps per day and distance walked per day (6586 steps per day vs 5950 steps per day; P=.19; and 4.69 km per day vs 3.85 km per day; P=.09, respectively). An exploratory end point examining daily MVPA by "heart points" collected from Google Fit also showed a significant increase compared to the first period (22.7 points per day vs 12.8 points per day; P=.02). CONCLUSIONS: Our app using step cadence as a goal and providing financial incentives seemed feasible and could be an effective app to increase users' daily MVPA. Based on the results of this study, we are motivated to conduct a confirmatory study with a broader and larger number of participants. TRIAL REGISTRATION: UMIN 000050518; https://center6.umin.ac.jp/cgi-open-bin/ctr/ctr_view.cgi?recptno=R000057420.

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)0,006
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,128
Tête enseignante GPT0,465
Écart entre enseignants0,338 · 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'étudeEssai non randomisé
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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetPhysical Activity and Health→Travaux en français237 207→