Bewertung der Auswirkungen der adaptiven Zielsetzung auf das Engagement von Regierungsmitarbeitern mit einem gamifizierten mHealth-Tool (BSAK19)

Hintergrund: Obwohl die gesundheitlichen Vorteile körperlicher Aktivität gut belegt sind, bleibt es für Menschen eine Herausforderung, einen aktiveren Lebensstil anzunehmen. Mobile Gesundheitsinterventionen (mHealth) können wirksame Instrumente sein, um körperliche Aktivität zu fördern und sitzendes Verhalten zu reduzieren. Vielversprechende Ergebnisse wurden durch den Einsatz von Gamification-Techniken als Strategien zur Verhaltensänderung erzielt, insbesondere wenn sie auf die Vorlieben und Ziele einer Person zugeschnitten waren; Dennoch bleibt unklar, wie Ziele personalisiert werden könnten, um Gesundheitsverhalten wirksam zu fördern.

Ziel: In dieser Studie wollen die Forscher die Auswirkungen der personalisierten Zielsetzung im Kontext gamifizierter mHealth-Interventionen bewerten. Die Forscher gehen davon aus, dass Interventionen, die Gesundheitsziele vorschlagen, die auf die (selbstberichteten) aktuellen und gewünschten Fähigkeiten der Endbenutzer zugeschnitten sind, ansprechender sein werden als Interventionen mit generischen Zielen.

Methoden: Die Studie wurde als zweiarmige randomisierte Interventionsstudie konzipiert. Die Teilnehmer wurden aus Mitarbeitern der Regierungsorganisation Noorderkempen rekrutiert. Sie beteiligten sich an einer 8-wöchigen digitalen Gesundheitsförderungskampagne, die speziell darauf ausgerichtet war, Spaziergänge, Radtouren und Sportaktivitäten zu fördern. Mit einer mHealth-App konnten die Teilnehmer ihre Leistung auf zwei sozialen Bestenlisten verfolgen: einer Bestenliste, die die individuellen Ergebnisse der Teilnehmer anzeigt, und einer Bestenliste, die die durchschnittlichen Ergebnisse pro Organisationsabteilung anzeigt. Die mHealth-App stellte außerdem einen Newsfeed bereit, der anzeigte, wann andere Teilnehmer Punkte erzielt hatten. Punkte konnten durch die Erfüllung einer der 6 zugewiesenen Aufgaben (z. B. mindestens 2000 m laufen) gesammelt werden. Der Komplexitätsgrad von 3 dieser 6 Aufgaben wurde alle zwei Wochen aktualisiert, indem entweder die vorgeschlagene Aufgabenintensität oder die vorgeschlagene Häufigkeit der Aufgabe geändert wurde. Die beiden Interventionsarme – mit zufällig zugewiesenen Teilnehmern – bestanden aus einer personalisierten Behandlung, die die Komplexitätsparameter basierend auf den von den Teilnehmern selbst berichteten Fähigkeiten und Zielen anpasste, und einer Kontrollbehandlung, bei der die Komplexitätsparameter allgemein auf der Grundlage nationaler Richtlinien festgelegt wurden. Die Messwerte wurden aus der mHealth-App sowie aus Aufnahme- und Posttest-Umfragen erhoben und mithilfe hierarchischer linearer Modelle analysiert.

Hinweis: Die Technische Universität Eindhoven ist kein offizieller GCP-Sponsor. Daher handelt es sich bei dieser Studie nicht um eine medizinische klinische Studie.