MoodMover: Development and usability testing of an mHealth physical activity intervention for depression
Notice bibliographique
Résumé
Background: Physical activity (PA) is recognized as a modifiable lifestyle factor for managing depression. An application(app)-based intervention to promote PA among individuals with depression may be a viable alternative or adjunct to conventional treatments offering increased accessibility. Objective: This paper describes the early stages of the development process of MoodMover, a 9-week app-based intervention designed to promote PA for people with depression, including its usability testing. Methods: Development of MoodMover followed the initial stages of the Integrate, Design, Assess, and Share (IDEAS) framework. The development process included (1) identifying intervention needs and planning; (2) intervention development; and (3) usability testing and refinement. Usability testing employed a mixed-methods formative approach via virtual semi-structured interviews involving goal-oriented tasks and administration of the mHealth App Usability Questionnaire (MAUQ). Results: Drawing on formative research, a multidisciplinary research team developed the intervention, guided by the Multi-Process Action Control framework. Nine participants engaged in the usability testing with the MoodMover prototypes receiving an average MAUQ score of 5.79 (SD = 1.04), indicating good to high usability. Necessary modifications were made based on end-users' feedback. Conclusions: The development of MoodMover, the first theoretically informed app-based PA intervention for individuals with depression, may provide another treatment option, which has wide reach. The comprehensive usability testing indicated interest in the app and strong perceptions of usability enabling a user-centered approach to refine the app to better align with end-users' preferences and needs. Testing the feasibility and preliminary efficacy of the refined MoodMover is now recommended.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».