Motivational Interviewing to Promote Healthy Lifestyle Behaviors: Evidence, Implementation, and Digital Applications
Notice bibliographique
Résumé
Ahmed A Bahri Department of Family and Community Medicine, Jazan University, Jazan, Saudi ArabiaCorrespondence: Ahmed A Bahri, Email dr.bahri2010@gmail.comBackground: Chronic lifestyle-related diseases, including poor diet, physical inactivity, and smoking, pose a global health challenge. Motivational Interviewing (MI), a client-centered approach, effectively promotes behavior change. This review examines MI’s impact on healthy lifestyle behaviors and its implications for healthcare practice and research.Methodology: Relevant studies published between 2015 and 2025 were sourced from PubMed, Google Scholar, and ScienceDirect. Inclusion criteria focused on research evaluating the role of MI in promoting healthy behaviors, while studies unrelated to MI were excluded. The selected literature included diverse study designs assessing both the effectiveness and implementation of MI across various health domains.Results: The evidence shows that MI promotes short-term improvements in diet, physical activity, smoking cessation, and treatment adherence. It encourages healthier eating patterns, greater exercise participation, and higher abstinence rates, while also enhancing engagement in psychological therapies. However, effectiveness is highly dependent on practitioner fidelity and demographic tailoring, with outcomes varying by gender, age, and population needs. Despite promising initial results, long-term benefits often decline due to dropout, logistical challenges, and socioeconomic barriers. Digital and hybrid delivery models offer a potential solution, improving accessibility, scalability, and sustained adherence, and represent an important direction for future implementation.Conclusion: MI is a versatile, evidence-based tool for fostering healthy lifestyle behaviors. Its non-confrontational, autonomy-supportive approach aligns well with diverse clinical and public health contexts. Future research should prioritize scalable digital/hybrid models, strategies for sustained outcomes, and implementation science frameworks to address real-world barriers.Keywords: motivational interviewing, MI, smoking cessation, substance use disorder, telehealth care, chronic diseases
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 | 0,027 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».