MétaCan
Menu
Retour à la cohorte
Enregistrement W4403750892 · doi:10.2196/54673

Factors Related to mHealth App Use Among Japanese Workers: Cross-Sectional Survey

2024· article· en· W4403750892 sur OpenAlexvenueno aff
Itsuko Ozaki, Mariko Nishijima, Eiji Shibata, Yuri Zako, Chifa Chiang

Notice bibliographique

RevueJMIR Human Factors · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCross-sectional studymHealthMobile appsMedicineComputer scienceWorld Wide WebNursingPsychological intervention

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health care providers can make health guidance more effective by using mobile health technologies such as health apps. Although health care providers need to know who uses health apps, existing studies have yielded inconsistent results. OBJECTIVE: The aim of the study was (1) to clarify the prevalence and patterns of health app use to improve health behaviors for preventing lifestyle-related diseases among Japanese workers and (2) to identify the associations among demographic characteristics, health behavior, and internet use and health app use by gender. METHODS: Data were collected from a cross-sectional internet survey in 2023. In total, 2200 participants were included, with an even distribution of men and women in each age group aged 20 to 60 years. The participants were workers with smartphones and reported their gender, age, residence area, marital status, education, employment status, occupation, work pattern, diseases under treatment, health checkups, health guidance, health behaviors, internet use duration, and number of devices used. We asked about current and previous health app use for 1 month. A multivariate logistic regression analysis was conducted by gender. RESULTS: Of the participants, 472 (21.5%) and 189 (8.6%) were current and previous health app users, respectively. Most current and previous health app users used features that record and track their physical activity and other health behaviors. Health app users-both men and women-were more likely to have health checkups (odds ratio [OR] 1.53, 95% CI 1.12-2.11 and OR 1.51, 95% CI 1.10-2.07, respectively), receive health guidance (OR 2.01, 95% CI 1.47-2.74 and OR 1.86, 95% CI 1.32-2.62, respectively), engage in regular physical activity (OR 2.57, 95% CI 1.91-3.47 and OR 1.94, 95% CI 1.41-2.67, respectively), use the internet for 120-179 minutes per day (OR 1.76, 95% CI 1.13-2.75 and OR 1.70, 95% CI 1.12-2.57, respectively), and were less likely to be older (50-59 years: OR 0.54, 95% CI 0.33-0.88 and OR 0.40, 95% CI 0.25-0.6, respectively, and 60-69 years: OR 0.37, 95% CI 0.22-0.62 and OR 0.47, 95% CI 0.28-0.77, respectively). According to gender, male health app users were more likely to be married (OR 1.69, 95% CI 1.23-2.33) and less likely to work in the security, agriculture, forestry, fishing, manufacturing, or transportation industries (OR 0.62, 95% CI 0.41-0.95). Female health app users were more likely to have a university education or higher (OR 1.55, 95% CI 1.061-2.26), maintain an appropriate body weight (OR 1.52, 95% CI 1.10-2.11), and use 3 or more devices (OR 2.13, 95% CI 1.41-3.23). CONCLUSIONS: Physical activity and health guidance are strong predictors of app use. Health care providers should assess the target populations' preferences for app use based on their characteristics, support their app use, and enhance the effectiveness of health guidance.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,169
Tête enseignante GPT0,492
Écart entre enseignants0,323 · 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'étudeObservationnel
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 Human FactorsMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207