Enhancing Athlete Performance with Mobile Health Applications: Benefits and Challenges
Notice bibliographique
Résumé
Mobile health applications have gained significant attention in recent years due to their ability to enhance athletic performance, prevent injuries, and support overall health management.By integrating advanced technologies, these applications provide athletes with personalized exercise plans, real-time monitoring of physiological and psychoemotional indicators, and immediate feedback.However, challenges such as user adherence, personalization, and privacy concerns persist, requiring further exploration.This study employed a systematic literature review (SLR) using the PRISMA framework to identify, screen, and synthesize peer-reviewed studies published between 2013 and 2023.Databases including PubMed, Scopus, and Web of Science were searched using terms such as "mobile health applications," "athlete performance," and "privacy compliance."Eligible studies focused on mobile health applications specifically designed for athletes, addressing features like personalized plans, monitoring, and data security.Quality assessments were performed using the Cochrane Risk of Bias Tool and the Newcastle-Ottawa Scale.The review identified that mobile health applications significantly improve athletic performance, injury prevention, and motivation through personalized exercise plans and real-time feedback.However, persistent challenges were noted, including difficulties in personalizing plans for diverse athletes, ensuring user adherence, and addressing privacy and security concerns related to data handling.The findings underscore the need for robust privacy mechanisms and interdisciplinary collaboration to optimize these applications.Mobile health applications play a vital role in enhancing athletes' physical and mental well-being.However, addressing challenges such as personalization, adherence, and data security is essential to their continued success.Future research should focus on advancing AI-driven personalization, improving user engagement, and strengthening privacy safeguards to maximize the potential of these applications in athletic health management.
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 | 0,070 | 0,165 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».