个人运动行为自动化个性化目标设定:基于Web的自适应干预试验协议.
Juan Carlos Caro1, Phuong H Nguyen2, Stefan Lipman2
1Department of Industrial Engineering, Faculty of Engineering, University of Concepción, Concepcion, null, Chile.
JMIR research protocols
|November 12, 2025
概括
这项研究研究了使用上下文强盗来个性化体育活动目标的适应性数字干预. 调查结果将为改进长期遵守和健康结果提供量身定制的策略.
科学领域:
- 数字健康干预措施 数字健康干预措施
- 行为科学是一种行为科学.
- 机器学习在卫生中的应用.
背景情况:
- 与身体不活动相关的慢性疾病的增加需要有效的干预措施.
- 目前的体育活动干预措施由于个性化不佳,往往缺乏持续的坚持.
- 使用上下文多臂强盗的适应性干预为个性化体育活动计划提供了解决方案.
研究的目的:
- 评估基于网络的体力活动干预措施中自动目标设定上下文盗的有效性.
- 了解用户特征如何影响最佳的炼计划和目标坚持.
- 探索用户自主权对个性化推有效性的影响.
主要方法:
- 一个基于网络的适应性干预试验协议,使用强化学习来推目标 (任务难度).
- Apptivate 网络应用程序提供个性化的炼程序,难度,持续时间和休息时间可调节,经过专业人员的验证.
- 在主研究 (500名学生40天) 之前,一项与800名大学生进行的试点研究比较了用户选择,自动推和自动计划.
主要成果:
- 试点研究于2025年9月进行;主要研究计划于2026年初.
- 目前正在进行试点数据分析;主要研究将比较干预部门,难度级别和用户特征的成功率.
- 统计分析将使用配对测试来直接比较干预组.
结论:
- 持续的体力活动对长期健康至关重要.
- 量身定制的数字干预措施有望改善身体活动的坚持.
- 这种适应性实验协议可以在数据驱动的方法中产生对选择,自主性和量身定制的目标难度的因果洞察.
