Eine mobile App zur Steigerung der körperlichen Aktivität von Schülern
Eine mHealth-App, die adaptives Lernen verwendet, um die körperliche Aktivität von Universitätsstudenten zu steigern
Hintergrund: Unzureichende körperliche Aktivität ist weltweit einer der führenden Risikofaktoren für Todesfälle. Verhaltenstherapien, die über Smartphone-Apps bereitgestellt werden, sind vielversprechend, um Menschen dabei zu helfen, sich auf gesunde Verhaltensweisen einzulassen, einschließlich körperlicher Aktivität. Ähnlich wie bei Behandlungen von Angesicht zu Angesicht scheint die Wirkung jedoch typischerweise nicht über längere Zeiträume anzuhalten.
Methoden: Die Forscher entwickelten eine Smartphone-Anwendung, die verschiedene Arten von Motivations- und Feedback-SMS verwendet, um Personen zu mehr körperlicher Aktivität zu motivieren. Hier werden die Teilnehmer randomisiert, um Nachrichten entweder durch eine gleichmäßige Zufallsverteilung (n = 50) zu erhalten, oder durch einen Reinforcement-Learning-Algorithmus (n = 50) ausgewählt, der aus täglichen Teilnehmerdaten lernt, um die Häufigkeit und Art der Motivation von Nachrichten zu personalisieren.
Ziele: In der aktuellen Studie untersuchen die Forscher diese Anwendung bei Studenten und Doktoranden der University of California, Berkeley. Die Forscher vergleichen, ob die Teilnehmer in der einheitlichen Zufalls- oder der adaptiven Gruppe während der Studie höhere Schrittweitensteigerungen aufweisen. Die Ermittler untersuchen auch die Auswirkung der verschiedenen Arten von Nachrichten auf die Schrittzahlen. Darüber hinaus bewerten die Forscher den Einfluss von Patientenmerkmalen, wie z. B. soziodemografische, psychologische Fragebogenergebnisse und körperliche Ausgangsaktivität, auf die Wirkung des adaptiven Arms und die Wirksamkeit der Botschaften. Schließlich bewerten die Ermittler das qualitative Feedback der Teilnehmer zum SMS-Programm durch Feedback, das über Fragebögen, SMS und Telefoninterviews bereitgestellt wird.
Studienübersicht
Status
Detaillierte Beschreibung
Die Forscher entwickelten eine Smartphone-Anwendung, die DIAMANTE-App, die maschinelles Lernen nutzt, um adaptive Textnachrichten zu generieren und aus den täglichen Teilnehmerdaten zu lernen, um die Häufigkeit und Art der Motivation von Nachrichten zu personalisieren. In der aktuellen Studie werden die Forscher diese Anwendung bei Studenten und Doktoranden der University of Berkeley mit zufällig ausgewählten Textnachrichten vergleichen. Diese Studie wird einen Einblick in die Wirksamkeit dieser Smartphone-Anwendung zur Steigerung der körperlichen Aktivität bei Universitätsstudenten geben. Darüber hinaus wird es vorläufiges Wissen über die Arbeitsmechanismen und Variablen liefern, die die Wirksamkeit der Intervention moderieren.
Diese Studie zeichnet sich durch ein faktorielles Design mit insgesamt 3 Faktoren aus, die Motivationsbotschaften (M), Feedbackbotschaften (F) und den Zeitrahmen (T), in dem die Nachricht gesendet wurde, mit jeweils 4, 5 und 4 Stufen darstellen. Ein Niveau von M und F entsprach einer Kontrollbehandlung, d. h. es wurde keine Nachricht gesendet. Jeder Teilnehmer erhielt jeden Tag eine andere Kombination aus M, F und T.
Sowohl die adaptive als auch die einheitliche Zufallsgruppe erhalten die gleichen Arten von Nachrichten: Feedback (4 aktive Kategorien plus keine Nachricht) und Motivation (3 aktive Kategorien plus keine Nachricht). Die Nachrichtenkategorien, das Timing und die Häufigkeit werden jedoch durch einen Verstärkungslernalgorithmus in der adaptiven Gruppe optimiert und werden mit gleichen Wahrscheinlichkeiten in der einheitlichen Zufallsgruppe (nach einer einheitlichen Zufallsverteilung) geliefert.
Für die Reinforcement-Lerner-Gruppe bestehen die Algorithmus-Trainingsdaten aus den historischen Daten aller Teilnehmer (Kontextvariablen), die beinhalten, welche Nachrichten in welchen Zeiträumen zuvor gesendet wurden, und ausgewählte klinische/demografische Daten (wie Alter, Tag der Wochen- und Depressions-Scores), um die Vorhersagefähigkeit zu verbessern. Anschließend wird die Nachricht basierend auf der vorhergesagten Wirksamkeit von Nachrichten, kombiniert mit einem Stichprobenverfahren, ausgewählt. Als solches wählt es häufig die lohnendsten Botschaften aus und untersucht die Botschaften gelegentlich mit Unsicherheit in Bezug auf ihre Belohnung.
Die Ziele dieser Studie sind:
- um zu beurteilen, ob Teilnehmer an der Reinforcement Learning Policy nach sechswöchiger Nachbeobachtung einen größeren Anstieg der täglichen Schritte zeigen als Teilnehmer, die Nachrichten mit einer gleichmäßigen zufälligen Verteilung erhalten
- um zu beurteilen, ob soziodemografisches Ausgangsverhalten/-einstellungen zu körperlicher Aktivität und psychologische Faktoren die Wirkung der adaptiven Intervention beeinflussen.
- um zu beurteilen, welche Botschaften bei der Steigerung der körperlichen Aktivität am vorteilhaftesten sind.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
California
-
Berkeley, California, Vereinigte Staaten, 94709
- Caroline Figueroa
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Aufnahmekriterien: Wir werden derzeit eingeschriebene Studenten und Doktoranden im Alter von 18 bis 65 Jahren aufnehmen.
-
Ausschlusskriterien: Studierende, die kein Smartphone besitzen, aufgrund einer Behinderung nicht trainieren können oder planen, das Land während des 6-wöchigen Studiums zu verlassen, werden ausgeschlossen.
-
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Verhütung
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Aktiver Komparator: Einheitlicher Zufall
In diesem Arm wurden die Nachrichtentypen zufällig, d. h. mit einer gleichmäßigen Zufallsverteilung, versendet.
|
Die einheitliche Zufallsinterventionsgruppe erhält Feedback und Motivationsbotschaften, die mit gleichen Wahrscheinlichkeiten aus den Messaging-Banken ausgewählt werden.
|
|
Experimental: Verstärkungslernen
In diesem Arm wurden die Nachrichtentypen durch einen Reinforcement-Learning-Algorithmus ausgewählt.
Die Entscheidung, welche Nachricht gesendet werden sollte, basierte auf mehreren Kontextvariablen, darunter Daten für die Schrittzähler-App und aufeinanderfolgende Tage seit dem Senden von Nachrichten aus verschiedenen Kategorien.
|
Die adaptive Interventionsgruppe empfängt Nachrichten, die von den Nachrichtenbanken durch einen Reinforcement-Learning-Algorithmus ausgewählt werden.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Schritte (gemessen per Telefon-Schrittzähler)
Zeitfenster: 24 Stunden (gemessen über einen Zeitraum von 6 Wochen)
|
Änderung der täglichen Schrittzahl (heutige Schrittzahl minus gestrige Schrittzahl)
|
24 Stunden (gemessen über einen Zeitraum von 6 Wochen)
|
|
Schritte (gemessen per Telefon-Schrittzähler)
Zeitfenster: Wechsel von Baseline zu 6-Wochen-Follow-up
|
Mittlere Veränderung der täglichen Schrittzahl im Studienverlauf
|
Wechsel von Baseline zu 6-Wochen-Follow-up
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Depressionsnoten
Zeitfenster: Wechsel von Baseline zu 6-Wochen-Follow-up
|
Patienten-Gesundheitsfragebogen 9 Punkte (PHQ-9).
Der PHQ-9 hat Werte von 0 bis 27.
Höhere Werte bedeuten ein schlechteres Ergebnis.
|
Wechsel von Baseline zu 6-Wochen-Follow-up
|
|
Angst punktet
Zeitfenster: Wechsel von Baseline zu 6-Wochen-Follow-up
|
Allgemeine Angststörung 7 Item (GAD-7).
Der GAD-7 hat Werte von 0 bis 21.
Höhere Werte bedeuten ein schlechteres Ergebnis.
|
Wechsel von Baseline zu 6-Wochen-Follow-up
|
|
Verhaltensaktivierung
Zeitfenster: Wechsel von Baseline zu 6-Wochen-Follow-up
|
Verhaltensaktivierung für Depressionsskala – Kurzform (BADS-SF).
Die BADS-SF hat Noten von 0-54.
Höhere Werte bedeuten bessere Ergebnisse.
|
Wechsel von Baseline zu 6-Wochen-Follow-up
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Adrian Aguilera, PhD, University of California, Berkeley
Publikationen und hilfreiche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Andere Studien-ID-Nummern
- 2019-04-12118
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
IPD-Sharing-Zeitrahmen
IPD-Sharing-Zugriffskriterien
Art der unterstützenden IPD-Freigabeinformationen
- STUDIENPROTOKOLL
- SAFT
- ANALYTIC_CODE
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .
Klinische Studien zur Physische Aktivität
-
Affiliated Hospital to Academy of Military Medical...Cancer Institute and Hospital, Chinese Academy of Medical Sciences; Peking University...RekrutierungAltersspanne ≥16 Jahre, Geschlecht unbegrenzt | Histopathologie bestätigtes diffuses großzelliges B-Zell-Lymphom oder hochgradiges B-Zell-Lymphom | Erhaltene vorherige Erstlinien-Chemotherapie für DLBCL oder HGBL, CR für vier Zyklen nicht erreicht oder rezidiviert | Mindestens eine... und andere BedingungenChina