Health Motivation as a Predictor of mHealth Engagement Across BMI: Cross-Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: Digital health tools, such as mobile apps and wearable devices, have been widely adopted to support self-management of health behaviors. However, user engagement remains inconsistent, particularly among populations with varying BMI. While digital health technologies have the potential to promote healthier behaviors, little is known about how psychological and behavioral factors interact with BMI to influence use patterns. OBJECTIVE: This study aimed to explore the relationship between BMI and digital health technology use and to examine how factors such as health awareness, self-efficacy, and health motivation contribute to technology engagement. METHODS: A cross-sectional online survey was conducted from January 2024 to April 2024. A total of 184 valid questionnaire participants were included in this study. The questionnaire was measured on a 5-point Likert scale. Descriptive statistics, chi-square tests, and multiple regression analyses were applied. RESULTS: . Significant BMI differences were observed based on sex (P<.001) and age (P<.001) but not based on prior digital health tool use. Use rates for Bluetooth or Wi-Fi devices, wearables, and mobile apps were 32.1% (59/184), 38.6% (71/184), and 39.1% (72/184), respectively. A negative correlation between BMI and mobile app use frequency was identified (P=.02). Multiple regression analysis indicated that health motivation significantly predicted digital health use (P<.001), whereas health awareness, lifestyle, and self-efficacy did not. CONCLUSIONS: Individuals with higher BMI reported a lower frequency of digital health tool use, potentially due to lower health motivation in the studied population. Health motivation was the strongest predictor of digital health engagement. Integrating personalized medical records into apps may enhance health motivation, thereby improving user engagement and promoting healthier behaviors in individuals with higher BMI.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».