신체 활동 증가와 지속적인 사용자 참여를 위한 기계 기반 알고리즘

연구팀은 참가자들이 일일 걸음 수를 추적하고 이를 일일 목표와 적극적으로 비교할 수 있도록 하여 신체 활동을 늘리도록 설계된 Telus Health 및 Sprout 앱(iOS 및 Android 버전)과 협력할 예정입니다. Sprout를 다운로드한 후 사용자는 앱을 열고 랜딩 페이지와 홈 페이지를 탐색할 수 있습니다. 홈페이지에는 그날 완료한 걸음 수와 사용자의 일일 걸음 목표가 표시됩니다. 참가자는 홈페이지 상단에 있는 두 개의 아이콘을 클릭할 수 있습니다. 사용자가 왼쪽 아이콘을 클릭하면 기록 페이지가 표시됩니다. 기록 페이지를 통해 참가자는 일일 단계와 일일 목표를 색상으로 구분된 막대 그래프로 표시하여 지난 주 동안의 성과를 추적할 수 있습니다. 녹색 막대는 해당일 걸음 목표 달성을 나타내고, 빨간색 막대는 해당일 걸음 목표 달성 실패를 나타냅니다. iPhone 및 Android 기기에 내장된 건강 칩은 걸음 데이터를 수집하며, iPhone 및 Android 건강 칩에서 수집한 걸음 수의 정확도는 여러 연구에서 ActiGraph와 비슷한 정확도를 갖는 것으로 검증되었습니다. Sprout 앱은 먼저 걸음 수와 목표 데이터를 휴대폰에 로컬로 저장한 다음 휴대폰이 활성화되면 10분마다 서버와 동기화합니다. 앱에 대한 푸시 알림도 활성화되며(사용자가 활성화한 경우) 표준 iOS 및 Android 푸시 알림이 사용됩니다. 푸시 알림은 랜딩 페이지와 휴대폰의 최근 알림 탭에 표시됩니다.

자격을 갖춘 참가자는 앱을 다운로드한 후 1주간의 준비 기간을 시작합니다. 준비 기간의 목적은 기준 일일 단계를 수집하고 참가자가 Sprout 앱을 정기적으로 사용하는 데 필요한 요구 사항을 준수할 수 있는지 평가하는 것입니다. 준비 기간 동안 통제 그룹과 개입 그룹의 모든 참가자는 1일부터 7일까지 각각 3000, 3500, 4000, 4500, 5000, 5500 및 6000걸음의 동일한 일일 걸음 수 목표 세트를 받게 됩니다. 머신러닝 알고리즘은 준비 기간 동안 중재 그룹 참가자의 단계 목표를 계산하는 데 사용되지 않습니다. 동적으로 증가하는 단계 목표는 참가자가 정기적으로 앱을 사용하도록 유도하기 위해 준비 기간에 사용됩니다. 또한 모든 참가자는 오전 8시에 그날의 걸음 수 목표를 푸시 알림으로 받게 되며, 참가자가 오후 8시 이전에 목표를 달성하면 해당 참가자에게 하루 걸음 목표 달성을 축하하기 위해 또 다른 푸시 알림이 전송됩니다. . 준비 기간 동안 두 그룹 간의 동일한 목표를 사용하여 초기 신체 활동의 기준 수준을 설정하고, 이는 두 그룹에 대한 준비 기간과 12주 간의 일일 걸음 수 차이를 비교하기 위한 통계 분석에 사용됩니다. 여러 떼. 준비 기간 동안 수집된 데이터는 기계 학습 알고리즘에서 개입 기간의 단계 목표를 계산하는 데 사용됩니다. 런인 데이터는 다양한 참가자의 선호도를 나타내기 때문에 이는 유효한 접근 방식입니다. 모든 참가자는 두 그룹 중 하나에 배치됩니다. 그룹에 대한 앱 사용자 할당은 실행 기간 이후 Telus Health에서 구현됩니다. 1주간의 준비 기간이 지나면 통제 그룹의 참가자에게는 Sprout 앱을 통해 하루 10,000걸음으로 설정된 지속적인 일일 걷기 목표가 제공됩니다. 참가자는 매일 오전 8시에 그날의 걷기 목표(10,000걸음)를 알려주는 푸시 알림을 받게 되며, 참가자가 오후 8시 이전에 목표를 달성하면 또 다른 푸시 알림을 보내 참가자의 달성을 축하합니다. 오늘의 걸음 목표(10,000걸음)입니다.

1주간의 준비 기간이 지나면 중재 그룹의 참가자는 Sprout 앱을 통해 적응형으로 개인화된 걸음 수 목표를 받게 됩니다. 일일 걸음 목표는 사용자의 전체 기록(과거 걸음 및 목표)에 대한 기계 학습을 사용하여 계산됩니다. 향후 단계와 목표의 차이를 줄이기 위해 기계 학습이 매일 적용됩니다. 참가자는 매일 오전 8시에 오늘의 걸음 수 목표를 푸시 알림으로 받게 되며, 참가자가 오후 8시 이전에 목표를 달성하면 해당 걸음 수 목표 달성을 축하하기 위해 또 다른 푸시 알림이 전송됩니다. 낮. 머신러닝은 모든 과거 걸음 데이터와 각 참가자의 목표를 기반으로 각 참가자의 미래 신체 활동을 최대화할 것으로 예측되는 개인화된 걸음 목표를 적응적으로 계산합니다. 머신러닝은 각 참여자에게 개별적으로 적용되며, 크게 두 단계로 구성됩니다. 첫 번째 단계는 참가자의 모든 데이터를 사용하여 미리 정해진 단계 목표가 주어졌을 때 참가자가 앞으로 몇 단계를 취할지 예측하는 정량적 모델을 구성하는 것입니다. 모델의 중요한 측면은 어떻게 수행되는지 설명하는 구성 요소입니다. 현재 목표를 달성하면 미래의 목표 달성 가능성이 높아질 수 있습니다. 두 번째 단계는 이 정량적 모델을 사용하여 예측된 미래 단계 수를 최대화하는 일련의 단계 목표를 선택하는 것입니다. 걸음 수 목표를 업데이트하는 프로세스를 적응형으로 만들기 위해 기계 학습이 매일 적용되어(모든 사용자의 과거 데이터 사용) 다음 날의 걸음 목표를 생성합니다. 게다가 머신러닝으로 계산된 내일의 걸음 목표는 일정하지 않고 모델 예측에 따라 증가하거나 감소합니다. Sprout 앱은 매일 참가자의 걸음 수를 자동으로 추적하고 12주 연구 기간 동안 앱 내 참여 수준에 관계없이 목표를 제공합니다. 데이터는 소급하여 분석되므로 참가자에게 "연구 종료" 편지가 제공되지 않습니다. 그러나 연구 절차에 등록할 때 모든 사용자는 데이터 수집 및 분석에 대한 서면 동의를 제공했습니다.