通过机器学习,对具有说服力的设计和优化的电子健康干预进行参与分析

科学领域:

• 数字健康数字健康
• 行为科学 行为科学
• 机器学习 机器学习

背景情况:

• 维持用户参与电子卫生干预措施对于其有效性至关重要.
• 这项研究的重点是认知行为疗法 (CBT) eHealth干预拖延症.

研究的目的:

• 在基于CBT的电子卫生干预中调查和预测用户参与模式.
• 使用机器学习模型识别用户参与的关键预测因素.

主要方法:

• 利用来自233名大学生随机对照试验的数据集.
• 在两阶段分析中使用了机器学习模型 (决策树,梯度提升,后勤回归,随机森林,支持矢量机器).
• 第1阶段包括所有功能;第2阶段排除了"总_分钟"以探索其他参与指标.

主要成果:

• "total_minutes" (总花费的时间) 是第一阶段参与的最重要的预测指标.
• 第2阶段显示,参与是多方面的,重要指标是"intervention_answersheets数量" (课程完成) 和"logins_first_4_weeks" (登录频率).
• 参与的用户在平台上花费更多的时间,但全面的参与也取决于交互频率和任务完成.

结论:

• 早期投资 ("总数_分钟") 是持续用户参与电子健康干预的强有力的指标.
• 对用户参与的整体看法需要考虑不仅仅是花费时间的多个指标,包括交互频率和完成率.
• 这些发现可以为电子健康干预措施的设计和优化提供信息,以提高用户的保留和有效性.