Financial incentives for physical activity in adults: Systematic review and meta-analysis update
Notice bibliographique
Résumé
OBJECTIVE: To update the evidence on the effects of financial incentives (FI) on physical activity (PA) in adults. METHODS: A systematic search of nine databases (Medline, EMBASE, PsychINFO, Scopus, Web of Science, CINAHL, EconLit, SPORTDiscus, and Cochrane) was conducted to identify randomised controlled trials (RCTs) and pilot RCTs published between June 1, 2018 and March 31, 2024 examining FI-for-PA interventions. 'Vote counting' and random-effects meta-analyses assessed short- (<6 months) and long-term (≥6 months) FI effects, as well as impact during follow-up (incentive withdrawal). Meta-regressions examined moderator effects. RESULTS: Twenty-nine studies (n = 21 RCT, n = 8 pilot RCTs; median FI size = $1.19 USD/day) involving 9604 participants were included (60.8 % female, mean age = 42.7 years). 17 of 21 studies reported positive short-term effects. 5 of 5 and 3 of 8 studies, respectively, reported positive long-term and follow-up effects. Among the 15 studies included in daily step count meta-analyses (most commonly reported PA outcome), FI had a moderate effect during short-term interventions (standardized mean difference [SMD] [95 % CI] = 0.52 [0.25-0.78], p < 0.001) and a small effect in follow-up (SMD [95 % CI] = 0.20 [0.01-0.40], p = 0.04). Too few long-term studies reported daily step count to conduct pooled analyses (n = 1). Meta-regressions suggest study length, incentive size, wearable device-use, and goal setting moderate FI effects (p < 0.05). CONCLUSIONS: Twenty-nine studies were identified over a 6-year span. Short-term FI interventions increase PA. The impact on daily step count is clinically significant (≥1000 steps/day). Key contextual factors moderate effects. Evidence is limited regarding long-term and follow-up effects.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,021 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».