Examining the long-term effects of a commercial mHealth app: A 24-month quasi-experimental study of 516,818 app users
Notice bibliographique
Résumé
BACKGROUND: The long-term (i.e., ≥ 12 months) effects of commercial mHealth apps on physical activity (PA) have been scarcely studied. PURPOSE: To conduct a longitudinal examination of a ‘top tier’ commercial mHealth app on population-level PA. METHODS: A 24-month pre-post quasi-experimental study was conducted between December 2016 and June 2019 with Carrot Rewards app users in Ontario, Canada. Users with valid smartphone-assessed baseline step count data were included. Simple linear regression models analyzed weekly mean daily step counts. Post-hoc estimates examined differences in weekly mean daily step count from baseline. RESULTS: The total sample included 516,818 users (% female: 62.83; age [SD]: 33.46 [12.65] years; baseline daily step count [SD]: 6,035 [3,706]). Compared to baseline, weekly mean daily step counts were 464 (95% CIs: 453, 475) and 242 (95% CIs: 221, 264) steps/day higher at 12 and 24 months, respectively. CONCLUSION: This commercial mHealth app increased population-level PA over 24 months.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».