RL を使用したアプリベースの運動処方の満足度と運動強度への効果の評価 (PERFORM-RL)

研究概要 PERFORM-RL 研究は、カスタマイズの主要メカニズムとして強化学習 (RL) を使用し、アプリベースのパーソナライズされた運動処方がユーザーの満足度と運動強度に及ぼす影響を評価するために実施された 12 週間のランダム化クロスオーバー試験です。 この研究では、RL によって生成されたエクササイズ セッションが、パーソナライズされていない一般的なセッションと比較して、ユーザーの満足度を向上させ、エクササイズの強度を高めることができるかどうかを判断することを目的としました。 この研究結果は、特にユーザーのエンゲージメントと長期的な遵守を強化するように設計されたスケーラブルなアプリベースの運動プログラムの分野で、デジタル健康介入の成長分野に貢献すると期待されています。

研究の目的 この研究の主な目的は、RL によって生成されたエクササイズ セッションと一般的なセッションの間でユーザーの満足度を比較することでした。 この仮説は、RL 主導のパーソナライゼーションにより、身体活動の楽しみ度スケール (PACES-8) で測定されるユーザー満足度が向上するというものでした。 第 2 の目的は、Borg Rating of Perceived Exertion (RPE) スケールで測定した、運動強度に対する RL の効果を評価することでした。 参加者は、好みやフィットネスレベルに合わせて調整されたセッションの性質により、RL 状態でより高い強度で運動するだろうと仮説が立てられました。

研究デザイン

これはランダム化された評価者盲検クロスオーバー試験でした。 各参加者は、12 週間の研究中に 2 つの異なる条件を完了しました。

介入条件: 演習セッションは、参加者の好み、過去のパフォーマンス、フィードバックに基づいてセッションの難易度や内容を適応させる強化学習モデルを使用してパーソナライズされました。

対照条件: 参加者は、個人化されていない一般的な演習セッションを完了しました。 これらのセッションは事前に設計されており、ユーザーのフィードバックや好みに基づいて調整されたものではありません。

参加者は介入条件と対照条件を毎週交互に行いました。これは、参加者が運動処方に対する異なるアプローチを毎週経験したことを意味します。 この設計により、各参加者が独自のコントロールとして機能することが保証され、ばらつきが減少し、結果の堅牢性が向上しました。 すべてのエクササイズ セッションは、Samsung が開発した i80 BPM アプリを通じて配信され、データ収集も容易になりました。

参加者 参加者はアイルランドのダブリンとその周辺地域から口コミやソーシャルメディアを通じて募集されました。 合計 62 人の参加者 (男性 27 人、女性 42 人、平均年齢 42 歳) が少なくとも 1 回のエクササイズ セッションを完了し、12 週間の試験期間中に合計 559 のセッションが完了しました。 参加者は、18 歳から 65 歳までの健康でレクリエーションに積極的な成人でした。 彼らは、「運動専門家のための運動参加前健康診断アンケート」を使用して適格性についてスクリーニングされました。 除外基準には、身体障害、重度の認知障害、または英語の読み書きができないことが含まれます。

介入 強化学習 (RL) 介入

i80 BPM アプリで採用されている RL モデルは、ユーザーの好み、知覚された運動量、および以前のセッションからのフィードバックに基づいて、エクササイズ セッションをパーソナライズしました。 RL フレームワークは意思決定エージェントを使用し、ユーザーのフィットネス レベル、目標、リアルタイム フィードバックに基づいて既存のデータベースからエクササイズを選択しました。 このモデルの報酬関数は、ユーザーの進化するニーズに応じてエクササイズの難易度や内容を調整することで、ユーザーの満足度とセッションの効果を最大化することを目的としていました。

たとえば、参加者が前のセッションで高い満足度と中程度の強度を報告した場合、RL モデルは、次のセッションで同様の演習、またはわずかに困難な演習を提案します。 RL システムはユーザー インタラクションから継続的に学習し、運動処方を調整して最適なエンゲージメントと効果を維持します。

制御条件

対照条件では、参加者はユーザーのフィードバックに基づいてカスタマイズまたは調整されていない一般的な運動セッションを受けました。 これらのセッションには、固定されたエクササイズの選択が含まれており、時間の経過とともに進化することはなく、個別化されたRL介入を比較できるベースラインを提供しました。

結果の尺度 主な結果: ユーザーの満足度

ユーザーの満足度は、身体活動エンジョイメント スケール (PACES-8) の 8 項目の短縮版を使用して、各セッション後に評価されました。 この検証済みの尺度は、参加者がエクササイズ セッションをどの程度楽しんでいたかを測定します。 スコアの範囲は 1 (満足度が低い) から 5 (満足度が高い) まであり、スコアが高いほど、エクササイズ体験の楽しさと全体的な満足度が高いことを示します。

二次的結果: 運動強度

運動強度は、1 (非常に簡単) から 10 (最大の運動) までの範囲の Borg Rating of Perceived Exertion (RPE) スケールを使用して測定されました。 参加者は、各セッション後にアプリを介して自分の知覚された運動量を評価するよう促され、体験をリアルタイムで把握できるようになりました。 Samsung Galaxy Fit 2 スマートウォッチを使用して収集された心拍数データは、強度の追加の尺度として機能し、主観的な RPE スコアを検証しました。

追加の結果: 心拍数

心拍数は、Samsung Galaxy Fit 2 スマートウォッチを使用して各セッション中に継続的に監視されました。 心拍数データは i80 BPM アプリに自動的に中継され、運動セッションに対する生理学的反応を追跡するために使用されました。

データ収集と管理 データは i80 BPM アプリを通じて収集され、ユーザーの満足度、運動強度、心拍数、各運動セッションの継続時間が記録されました。 参加者の機密性を確保するために、すべてのデータは分析前に匿名化されました。 参加者には固有の識別コードが割り当てられ、すべての機密文書は安全に保管され、許可された担当者のみがアクセスを許可されました。

サンプル サイズと検出力の計算 以前の実現可能性調査に基づいて、80% の検出力で PACES-8 スケールで 8 ポイントの平均差を検出するには、サンプル サイズは最低 40 人の参加者であると推定されました。 潜在的な中退者を考慮して合計 69 人の参加者が募集され、62 人の参加者が少なくとも 1 回の演習セッションを完了しました。 最終的なサンプル サイズは、RL 条件とコントロール条件の間の差異を検出するのに十分な検出力を提供しました。

統計分析 一般化推定方程式 (GEE) を使用して、一次および二次結果を分析しました。 GEE モデルは、被験者内で繰り返された測定の相関関係を説明するために適用されました。 モデルの従属変数はユーザー満足度 (PACES-8 スコア) と知覚された運動量 (Borg スケール スコア) で、独立変数は状態 (RL 対対照) と試行週でした。 共変量には年齢、性別、ベースライン身体活動レベルが含まれ、被験者の効果として参加者 ID が含まれました。