身体活動の増加とユーザーエンゲージメントの持続のためのマシンベースのアルゴリズム

研究チームは、Telus Health および Sprout アプリ (iOS および Android バージョン) と提携します。このアプリは、参加者が毎日の歩数を追跡し、毎日の目標と積極的に比較できるようにすることで、身体活動を増やすように設計されています。 Sprout をダウンロードした後、ユーザーはアプリを開いてランディング ページとホームページに移動できます。 ホームページには、その日に完了した歩数とユーザーの毎日の歩数目標が表示されます。 参加者は、ホームページの上部にある 2 つのアイコンをクリックできます。 ユーザーが左側のアイコンをクリックすると、履歴ページが表示されます。 履歴ページでは、参加者が毎日の歩数と毎日の目標を色分けされた棒グラフで表示することで、過去 1 週間のパフォーマンスを追跡できます。 緑色のバーは、対応する日の歩数目標の達成を示し、赤色のバーは、対応する日の歩数目標の達成に失敗したことを示します。 iPhone および Android デバイスに組み込まれたヘルス チップは歩数データを収集します。iPhone および Android ヘルス チップによって収集された歩数の精度は、ActiGraph と同等の精度であることが多くの研究で検証されています。 Sprout アプリは、まず歩数と目標のデータを携帯電話のローカルに保存し、携帯電話がアクティブな場合は 10 分ごとにサーバーと同期します。 アプリのプッシュ通知も有効になり (ユーザーが有効にした場合)、標準の iOS および Android プッシュ通知が使用されます。 プッシュ通知は、ランディング ページと携帯電話の [最近の通知] タブに表示されます。

資格のある参加者は、アプリをダウンロードした後、1 週間の慣らし期間を開始します。 慣らし運転期間の目的は、ベースラインの毎日の歩数を収集し、参加者が Sprout アプリを定期的に使用するために必要な要件を遵守できるかどうかを評価することです。 慣らし期間中、対照グループと介入グループのすべての参加者は、1 日目から 7 日目まで、それぞれ 3000、3500、4000、4500、5000、5500、および 6000 歩という同一の毎日の歩数目標のセットを受け取ります。 機械学習アルゴリズムは、慣らし運転期間中に介入グループの参加者の歩数目標を計算するために使用されません。 動的に増加する歩数目標は、参加者がアプリを定期的に使用するように参加者を引き込むために、慣らし期間中に使用されます。 さらに、すべての参加者は、その日の歩数目標を提供するプッシュ通知を午前 8 時に受け取ります。参加者が午後 8 時までに目標を達成すると、その参加者がその日の歩数目標に到達したことを祝うために別のプッシュ通知が送信されます。 。 慣らし運転期間中の 2 つのグループ間の同一の目標は、初期身体活動の基準レベルを確立するために使用され、統計分析で使用され、慣らし運転期間と 2 つのグループの 12 週間の 1 日の歩数の差を比較します。グループ。 慣らし期間中に収集されたデータは、介入期間のステップ目標を計算するために機械学習アルゴリズムによって使用されます。 実行データはさまざまな参加者の好みを示すため、これは有効なアプローチです。 すべての参加者は 2 つのグループのいずれかに振り分けられます。 アプリ ユーザーのグループへの割り当ては、導入期間後に Telus Health によって実装されます。 1 週間の慣らし期間の後、対照グループの参加者には、Sprout アプリを通じて 1 日あたり 10,000 歩に設定された一定の毎日の歩数目標が提供されます。 参加者は毎日午前 8 時にその日の歩数目標 (10,000 歩) を示すプッシュ通知を受け取ります。参加者が午後 8 時までに目標を達成した場合は、参加者の達成を祝う別のプッシュ通知が送信されます。その日の歩数目標（10,000歩）。

1 週間の慣らし期間の後、介入グループの参加者は、Sprout アプリを通じて適応的にパーソナライズされた歩数目標を受け取ります。 毎日の歩数目標は、ユーザーの完全な履歴 (過去の歩数と目標) に基づく機械学習を使用して計算されます。 機械学習は毎日適用され、将来のステップと目標のばらつきを減らします。 参加者は毎日午前 8 時に今日の歩数目標を示すプッシュ通知を受け取ります。参加者が午後 8 時までに目標を達成した場合は、その歩数目標の達成を祝う別のプッシュ通知が送信されます。日。 機械学習は、過去のすべての歩数データと各参加者の目標に基づいて、各参加者の将来の身体活動を最大化すると予測されるパーソナライズされた歩数目標を適応的に計算します。 機械学習は各参加者に個別に適用され、主に 2 つのステップで構成されます。 最初のステップは、参加者のすべてのデータを使用して、所定の一連の歩数目標を与えられた場合に、参加者が将来何歩歩くかを予測する定量的モデルを構築することです。モデルの重要な側面は、どのように歩数を増やすかを記述するコンポーネントです。現在の目標を達成することで、将来の目標を達成する可能性が高まります。 2 番目のステップは、この定量的モデルを使用して、予測される将来の歩数を最大化する一連の歩数目標を選択することです。 歩数目標の更新プロセスを適応的にするために、機械学習が毎日 (すべてのユーザーの過去のデータを使用して) 適用され、次の日の歩数目標が生成されます。 さらに、機械学習によって計算される翌日の歩数目標は一定ではなく、モデルの予測に基づいて増減します。 Sprout アプリは参加者の歩数を毎日自動的に追跡し、12 週間の学習期間中のアプリ内での参加レベルに関係なく目標を提供します。 データは遡及的に分析されているため、参加者には「研究終了」通知は提供されません。 ただし、研究手順に登録する際、すべてのユーザーはデータが収集および分析されることについて書面によるインフォームドコンセントを提供しました。