Implementation of Behavior Change Theories and Techniques for Physical Activity Just-in-Time Adaptive Interventions: A Scoping Review
Notice bibliographique
Résumé
(1) Background: Physical activity (PA) is a key modifiable risk factor for chronic diseases, yet many adults do not meet PA guidelines. Just-in-time adaptive interventions (JITAIs), a type of mobile health (mHealth) intervention, offer tailored support based on an individual’s context to promote PA. Integrating behavior change techniques (BCTs) and theories is critical to the design of effective mHealth interventions. Understanding which BCTs and theories work best can inform future JITAI development. (2) Objective: To examine how behavior change theories and BCTs are implemented in mHealth PA JITAIs and assess their relationship to PA-related outcomes. (3) Methods: This scoping review followed the PRISMA-ScR guidelines. A total of 29 studies were included. (4) Results: The most commonly used BCTs include prompts/cues, goal setting (behavior), feedback on behavior, and self-determination theory and social cognitive theory are the most commonly used theory. However, there is insufficient evidence as to which theories and BCTs are most effective in eliciting effective PA behavior change. (5) Conclusion: Clearer re-porting and integration of BCTs and behavior change theories, along with optimized user interfaces, are needed to improve intervention quality, replicability, and long-term effectiveness of PA JITAIs.
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 | 0,054 | 0,167 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,020 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».