Can fitness apps work long term? A 24-month quasiexperiment of 516 818 Canadian fitness app users
Notice bibliographique
Résumé
OBJECTIVE: To examine whether a multicomponent commercial fitness app with very small ('micro') financial incentives (FI) increased population-level device-assessed physical activity (PA) over 2 years. The secondary objective was to explore the influence of select covariates on longitudinal effects. METHODS: This 24 month pre-post quasiexperiment was conducted in Ontario, Canada's largest province (December 2016-June 2019). Following a 1-to-2 week baseline period, users earned micro-FIs ($0.04 CAD/day) for achieving daily step goals. Multiple linear regression models estimated changes in weekly mean daily step count from baseline to key timepoints (eg, 24 months). To address the secondary objective, separate models were developed for each level of the selected covariates (eg, start season, baseline PA). RESULTS: The sample included 516 818 users (% female: 62.83; age (SD): 33.46 (12.65) years). Half were 'low' active at baseline (<5000 daily steps; 47.15%). Overall, daily step counts were greater than baseline at all key timepoints (eg, 242 steps/day at 24 months; p<0.001). Users from earlier start seasons and longer FI exposure exhibited larger differences from baseline (eg, 758 steps/day at 24 months; p<0.001). Differences were also more pronounced among 'low' active users (eg, 1986 steps/day at 24 months; p<0.001). Substantial daily step count reductions were observed among 'very high' active users (≥10 000 daily steps; eg, -3969 steps/day at 24 months; p<0.001). CONCLUSION: Modest PA increases of about 250 steps per day were sustained over 2 years. For important subgroups (ie, earlier start seasons, 'low' active) increases approached or surpassed 1000 steps/day-a level indicative of clinical significance. Substantial daily step count reductions among higher active users were also observed.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».