戒烟手机应用程序用户识别:定量研究

简介

背景

吸烟是一个严重的健康问题。世界卫生组织估计，全世界有超过10亿人吸烟，每年有600万人死于与吸烟有关的原因[1］．据估计，全球烟草使用流行率为19%:15岁以上的人群中有五分之一使用烟草，在发达国家，这一统计数字甚至更高，即15岁以上人群中有四分之一使用烟草[2］．据估计，2015年荷兰17岁以上公民的烟草使用率为26.1% [2］．

没有一个组织在全球范围内对戒烟尝试进行监测，但有特定国家的统计数据。在美国，2012年，在当前吸烟者和前吸烟者中，估计有53%的人曾尝试戒烟超过1天[3.］．来自荷兰吸烟者调查的估计[4]显示，2014年，约三分之一的吸烟者，约50万名吸烟者试图戒烟。

独立的戒烟尝试是未登记的，因为干预措施(数字和面对面)的采用通常是不可预测的。5，6]，目前还没有科学文献将戒烟尝试与干预措施类别联系起来，以显示哪些干预措施在吸烟者中更受欢迎。尽管世界范围内越来越多地采用电子卫生干预措施，但尽管国际社会努力收集这些数据，但关于谁使用了这类干预措施以及这些干预措施取得成功的客观科学数据几乎不存在[7-9］．

手机戒烟应用

最近的研究发现，关于各种类型的医疗保健应用程序的文献越来越多，从而产生了几种分类和分类[10-12］．戒烟应用程序是用于戒烟的最新类型的电子健康干预措施之一。正如艾森巴赫[13]在2001年指出，电子健康适用于动态环境，其中包含的不仅仅是互联网和医学，这对于即将推出的移动健康应用程序来说当然是真的，它们现在是更广泛的电子健康环境的一部分。有几种戒烟手机应用程序可供广大用户使用;然而，研究结果显示[8他们中的大多数都不是基于科学的、既定的戒烟指南，也没有满足个人需求的量身定制的方法。由于现有文献中的这一差距，我们的研究目标是开发一个基于行为策略和以用户为中心的方法的戒烟应用程序。在本文中，我们报告了我们的移动健康戒烟应用程序的潜在终端用户的特征。

移动设备(如手机和平板电脑)上的移动应用程序相当普遍。对移动戒烟应用程序的研究表明，可供消费者使用的戒烟应用程序的数量及其使用量正在稳步上升[8，9，14，15］．这种增长可以从戒烟应用程序的市场潜力中找到解释，因为吸烟者可能拥有一部手机，而打算戒烟的吸烟者比无意戒烟的吸烟者更频繁地使用手机。16］．

关于戒烟应用程序的研究主要关注应用程序的使用情况等不同结果[17-19]，与戒烟行为相关的心理状态变化[20.-22]，以及应用程序对治疗的满意度[18，20.］．迄今为止，已有3项自我报告禁欲的研究报告了有效性结果[17，18，20.，23]，并且发现了一项具有生物化学验证的禁欲结果的研究方案[22］．因此，尽管存在关于戒烟应用程序使用的初步研究，但对影响戒烟应用程序使用的因素以及这些移动健康应用程序用户的特征知之甚少。

研究[18]的调查显示，50%的用户发现戒烟应用程序可以帮助他们戒烟。此外，参与者可以选择使用手机戒烟应用程序来支持他们，结果是，当给予选择时，60%的参与者实际上使用了手机应用程序[17］．两项研究[17，18]指出，他们的研究人群可能不能完全代表一般吸烟人群，因为研究人群包括了对数字吸烟支持有亲切感的受访者。

潜在的用户

关于使用戒烟应用程序的吸烟者群体以及他们是否具有可以预测移动戒烟应用程序使用或解释为什么这样的人群有动机使用戒烟应用程序的共同特征，几乎没有证据。7］．唯一可用于识别戒烟应用程序潜在用户特征的信息是来自关于使用移动应用程序的一般文献的证据。研究表明，人口特征和性格特征与移动应用程序的采用和使用有关。24-30.］．收入和受教育程度与手机的拥有量和使用率呈正相关，而年龄与手机的拥有量和使用率呈负相关。然而，性别与挪用或收养并不相关[24，27］．我们不知道这些发现是否适用于手机戒烟应用程序的潜在用户，这使得很难预测特定手机应用程序元素的有用性，如奖励系统、配色方案和游戏化元素。

最近的研究表明，五大性格特征[31]与某些类别的移动应用程序的采用有关[26]或使用特定的应用程序，例如Facebook [30.，32］．本研究的目的是根据以前对一般移动应用程序的研究中已知的因素，描述特定移动健康戒烟应用程序的潜在最终用户。然而，由于这些都是一些通用的特征，在这项研究中，增加了与吸烟行为相关的因素。

这些具体特征包括尼古丁依赖程度、以前尝试戒烟的次数以及过去使用的戒烟支持模式。这些变量已被证明可以预测吸烟者的戒烟尝试和持续禁欲的可能性，因此也可能决定采用和使用移动戒烟应用程序的决定。在综合变化模型(或I-Change模型)的背景下，这些与吸烟行为相关的一般特征是易感因素，被认为是远端决定因素，通过更近端的认知决定因素，如意图，间接影响行为，态度和自我效能期望。虽然这些近端决定因素通常被认为是应用内容应该基于的行为的更强大的预测因素，但远端决定因素在定义应该针对的人群细分方面特别有用。

研究问题

本研究假设使用移动戒烟应用程序与吸烟者和戒烟者的个人特征有关。基于过去研究的证据，我们将探索使用应用程序的意图与几个诱因之间的关系，这些诱因在本质上是人口统计学(年龄、性别、教育水平、居住地区)、技术相关(个人创新能力)或吸烟行为相关(尼古丁依赖、以前尝试戒烟的次数)。我们还将探讨对移动戒烟应用程序的态度和上述易感因素之间的关系。

方法

招聘及资料收集

本研究采用定量方法，于2015年12月至2016年3月在吸烟者和戒烟者中使用基于网络的问卷调查。问卷的链接在整个研究期间通过不同的社交媒体(Twitter、LinkedIn、WhatsApp等)分发，通过数字滚雪球的方法招募参与者。

在开始问卷调查之前，受访者阅读了关于项目的介绍性文本和问卷调查的背景。参与者被告知，当他们在问卷末尾输入自己的姓名和电子邮件地址时，他们可以被随机选择领取礼品卡。

这项研究的入选标准是参与者能够访问基于网络的调查问卷，并且他们是吸烟者或前吸烟者。吸烟者被定义为在完成问卷调查时经常吸烟的受访者。戒烟者被定义为经常吸烟但已经戒烟的受访者。对戒烟日期没有任何限制。目前正在尝试戒烟的吸烟者，如果他们在完成问卷时戒烟的时间超过24小时，则被登记为已戒烟者。

措施

问卷包含8个构念，可以在表1．在可用的情况下，我们使用了之前关于采用移动应用程序或戒烟行为的研究中使用的经过验证的量表。完整的调查问卷载于多媒体附件1．

因子分析与内部一致性

因变量是在标量水平上使用的。采用因子分析以确保测量量表是单维的。适用因子分析，因为样本量大于500 [36］．此外，Cronbach alpha被用来确定组成行为意图、态度、个人创新和尼古丁依赖的Fagerstrom测试量表的项目的内部一致性。

单变量和多变量有序逻辑回归

由于因变量具有序数性质，故采用序数逻辑回归来衡量因变量与自变量之间的关系[37］．分析使用IBM SPSS统计数据for Windows, version 23.0作为统计包。

用卡方检验检验分类自变量和因变量之间的相关性，然后用单变量有序回归模型检验。连续变量也使用单变量有序回归模型进行检验。

与P<。05were all entered in a multivariate ordinal regression model. Subsequently, the variables with the highestP数值从模型中删除，直到模型拟合显著降低。为了防止单变量和多变量模型因为空单元格而变得不稳定或不可靠，分类变量的类别被省略或分组在一起。在结果部分中，将详细描述这些步骤。

结果

样本

共有955名符合纳入标准的受访者开始了基于网络的调查，79.6%(760/955)的受访者填写了完整的调查。问卷的构造是这样的:吸烟特征、使用移动戒烟应用程序的意图和对移动戒烟应用程序的态度等研究变量位于问卷的开头，而人口统计信息位于问卷的末尾，允许受访者根据纳入标准被纳入，而不管他们的问卷是否完成。在开始问卷调查的955名受访者中，73.6%(703/955)仍在吸烟，26.4%(252/955)的受访者已戒烟。在每个分析中对缺失值进行逐个列表删除。表2而且3.显示每个变量的受访者数量。

共有898名受访者提供了有关其戒烟尝试的资料:61.0%(583/955)受访者声称曾尝试戒烟超过一次，24.0%(229/955)受访者仅尝试戒烟一次，9.0%(86/955)受访者尚未尝试戒烟。令人惊讶的是，在225名已经戒烟的受访者中，有13名受访者声称没有尝试过戒烟。这可能是由于对问题的解释，说明戒烟尝试必须有意识地进行，并且应该持续超过24小时。由于问卷是在包括新年在内的一段时间内分发的，因此受访者可能正处于第一次尝试戒烟的过程中，但不超过24小时。因此，这些受访者被视为吸烟者，没有戒烟的尝试。另一种方法是将这13名受访者与有过1次戒烟尝试的229名受访者结合起来，这将导致比例变化1%。

当被问及他们以前使用数字戒烟支持的经验时，802名受访者提供了信息。共有66.4%(634/955)表示以前没有数字戒烟支持的经验。13.0%(124/955)受访者最常用的数字戒烟支持是基于网络的自我管理程序或戒烟应用程序，6.0%(57/955)受访者在网上查找关于戒烟的信息，1.1%(10/955)受访者通过数字方式联系护理专业人员，0.9%(9 /955)受访者寻求基于网络的同伴支持(例如通过基于网络的论坛)。

因子分析

进行工厂分析，以确定用李克特量表测量的多项目自变量和因变量是否是单维的。虽然对序数变量的因子分析存在过维化的风险[38]，考虑到题目数量有限(3-4)，且调查对象较多，故在本研究中采用。

有关行为意图(n=730)的所有4项相关系数至少为。5，表明可分解性[39，40］．Kaiser-Meyer-Olkin抽样充分性测量值为。76，高于建议值。6。巴特利特球度检验显著(P<措施)。社区都在0.5以上。基于这些发现，因子分析被认为适用于这4项。主成分分析(PCA)表明，最大的因素解释了72%的方差，是唯一一个初始特征值总和大于1的因素。所有道具都加载到一个组件上，最小值为。77。由此得出结论，行为意图是一个单维尺度。

关于态度的项目(n=730)至少与。7相关，除了项目2(最小。17)。Kaiser-Meyer-Olkin抽样充分性测量值为。76，高于建议值。6。巴特利特球度检验显著(P<措施)。

除第2项(.1)外，社群性均在.8以上。这些发现表明，因素分析被认为是合适的，并表明第2项不加载与其他相同的因素。PCA证实了这一点，表明第一个因素解释了总方差的65%，是唯一一个初始特征值总和大于1的因素。所有项目加载到一个组件上，最小值为。90，除了项目2(.34)。因此，将第2项从秤的测量姿态中剔除，以保持秤的单维。

个人创新量表(n=857)由4个项目组成，这些项目都至少与。Kaiser-Meyer-Olkin抽样充分性测量值为0.80，高于建议值0.6。巴特利特球度检验显著(P<措施)。社区都在上面。基于这些发现，我们认为因子分析是合适的。主成分分析表明，第一个因素解释了总方差的65%，是唯一一个初始特征值总和大于1的因素。所有项目加载到一个组件，最小值为。76。由此得出结论，个人创新能力是一个单维尺度。

对尼古丁依赖的Fagerstrom测试进行验证性因素分析的研究表明，该量表最好建模为具有交叉负荷的2个相关因素[39］．这两个因素是早上吸烟因素和白天吸烟因素。

我们进行了探索性因子分析，发现Fagerstrom尼古丁依赖量表(n=680)由6个项目组成，加载到2个不同的因子上，初始特征值分别为2.4和1.1。第一个因子由以下项目组成(括号中标注了旋转因子负载):你起床后多久抽第一支烟?(.37点),你最不想戒的香烟是哪一种?(60),起床后的头几个小时，你是否比其他时间更频繁地吸烟?(.45)，导致早上吸烟的因素。第二个因素包括以下项目:你起床后多久抽第一支烟?(标识)你现在平均每天抽几支烟?(收),你觉得在不允许吸烟的地方很难不吸烟吗?(点)如果你病得很重，一天大部分时间都躺在床上，你会吸烟吗?(0.50)，导致“日间吸烟因素”，我们将对此进行进一步分析。

内部一致性

两个因变量都具有良好的内部一致性，如图所示表4．在删除第2项后，态度量表由3项组成。在有序逻辑回归分析中，将两个变量作为量表:将每个项目的得分相加，将总分除以项目数，并将结果四舍五入到最接近的整数，例如，将1.5变成2，创建5个类别的量表。

信息技术(IT)个人创新能力、早晨吸烟、白天吸烟自变量的内在一致性表现在表4．个人创新量表的内部一致性较好，晨吸烟的内部一致性有问题，日间吸烟的内部一致性可接受。因此，其余的分析是基于白天吸烟因素进行的，因为该因素最能反映尼古丁依赖性[41，42]，早晨吸烟的Cronbach alpha值为0.51，这是有问题的。

单变量有序逻辑回归

因变量和自变量之间的交叉表显示为变量的空单元格教育水平，住宅区域,而且以前使用数字戒烟支持对于因变量和个人创新能力，第1、3和4项都是关于态度的．有序逻辑回归中的空单元格可能导致拟合优度预测器变得不可靠。因此，省略了单个个人创新项目对态度的单变量分析。的变量教育水平减少到4个类别以消除所有空细胞:(1)小学和中学教育，(2)职业学位，(3)应用科学理工大学，(4)科学学位或更高。

的变量居民区只有1个空单元格，参数估计显示在P<。05，making it unnecessary to reduce the number of categories for either the dependent or independent variable. The categories for the variable以前使用数字戒烟支持被分为两组:使用数字戒烟支持的受访者(n=168)和未使用数字戒烟支持的受访者(n=634)。此外，因变量的类别从5个减少到3个，以消除剩余的空单元格:(1)同意，(2)中立，(3)不同意。

结果是表5而且6应解释为对应于问卷的编码，其中有利结果(同意)编码为低值，不良结果(不同意)编码为高值。这意味着优势比OR <1意味着正相关。

表5表明，男性比女性有更高的意图使用戒烟应用程序的几率没有显著影响。在教育程度上，受教育程度较低的吸烟者和戒烟者对戒烟app的使用意愿有显著影响。在居住面积上，居住在城市范围外的吸烟者和戒烟者对戒烟app的使用意愿没有显著影响，居住在农村或城市的吸烟者和戒烟者对戒烟app的使用意愿较高。吸烟但有意戒烟的受访者使用戒烟应用程序的意愿高于已戒烟者。没有证据表明无意戒烟与有意使用移动戒烟应用程序有关。

表6表明自变量与态度之间的关联与自变量与行为意图之间的关联相同。

量表有序逻辑回归

由于个人创新量表和尼古丁依赖法格斯特姆检验的多个项目与因变量之间存在显著关系，因此对量表变量进行有序逻辑回归，以确定结果是否发生变化。

个人创新量表和行为意愿和态度的交叉表在个人创新量表的末端类别显示为空单元格。个人创新能力量表减少到3类:(1)低个人创新能力(范围从1到2.5)，(2)一般个人创新能力(范围从2.5到3.5)，(3)高个人创新能力(范围从3.5到5)。

多元有序逻辑回归

用自变量进行多元有序逻辑回归教育水平，尼古丁依赖症(日间吸烟)，目前吸烟状况，以及尝试退出的次数而且个人创新性为行为意向作为因变量。以前使用数字戒烟支持，虽然有显著性，但由于调整了结果测量以减少空细胞的数量，因此从多变量分析中省略。的因变量分析的态度包括相同的自变量，排除教育水平因为无法接受的拟合优度。

行为意图和态度作为因变量的多重共线性检验表明目前吸烟状况公差为0.012 (行为意向)及0.011 (的态度)，方差膨胀因子得分>10。因此，在两个因变量的多变量分析中都省略了该变量，因为它的可预测性在很大程度上由其他变量决定。

表7而且8应该以同样的方式解释表5而且6， OR<1表示与因变量正相关。表7显示了变量的有序逻辑回归的结果行为意向调查包括540名受访者。教育水平是唯一的非显著变量(P=。67为polytechnic or university of applied science,P=。262为vocational degree, andP=。157为elementary school and secondary education, measured against scientific education as the base level).

表8显示与回归的结果的态度作为因变量(n=554)所有自变量仍然是受访者对使用戒烟应用程序的态度的唯一预测因素。得分高的受访者个人创新性与得分较低的受访者相比，使用戒烟应用程序的人是最积极的吗个人创新性．与尝试过不止一次戒烟的受访者相比，从未尝试过戒烟的受访者对使用戒烟应用程序的态度更为消极。

讨论

移动健康戒烟应用程序的潜在用户

本研究对特定移动健康戒烟应用程序的潜在最终用户的特征进行了概念化。通过从与健康技术接受行为相关的各种学科全面概述影响移动健康应用程序接受度和行为意图的特征，我们试图对可能在人们出于健康原因使用技术的复杂过程中发挥作用的具体变量提供更多的见解。

我们的数据基于荷兰吸烟者和戒烟者的大样本(n=955)，其中几类变量得出了有趣的结果。首先，发现了相关性尝试退出的次数，尼古丁的依赖，以前使用数字戒烟支持,个人创新性对使用戒烟应用程序的态度和使用戒烟应用程序的意图。这表明，吸烟者有高度依赖和失败的尝试经验，意识到在尝试戒烟时需要寻求支持。第一次戒烟的人缺乏这种意识，可能需要从人类(专业/私人)或数字渠道获得更有说服力的信息，以帮助他们意识到使用移动健康应用程序来戒烟。

这项研究表明，人口统计学特征与使用戒烟应用程序的态度或意图之间没有显著的关系。这些发现得到了一项类似的研究的支持[7他们基于澳大利亚、美国和英国的真实戒烟应用程序数据得出了类似的结果。

其次，研究吸烟相关特征，我们发现戒烟尝试总数和白天吸烟的Fagerstrom测试得分与使用戒烟应用程序的态度和意图呈正相关。因此，相信本研究的发现可以为进一步开发一个模型提供基础，该模型可能加深我们对几个因素对人们使用移动健康应用程序的影响的理解。

研究的局限性

尽管研究结果表明，戒烟尝试的次数与使用戒烟应用程序的意图和态度呈正相关，但在本研究中，“戒烟尝试”的定义虽然并不罕见[43，44)的选择多少有些随意。首先，研究人员要求受访者在超过24小时不吸烟时计算戒烟尝试次数。其次，在过去24小时内没有吸烟的受访者被视为戒烟者。第三，225名受访者中有13人提供了不一致的关于他们目前吸烟状况和尝试戒烟次数的数据，他们表示虽然他们戒烟了，但他们没有尝试戒烟。

此外，在序回归分析中，由于空单元格导致数据集的局限性，某些相关性无法分析。例如，虽然个人创新能力与使用意愿和使用态度呈正相关，但个人创新能力与之前使用过数字支持是否存在相关关系，能否解释使用意愿和使用态度正相关，尚不能成立。

该研究的另一个局限性是，本研究的受访者大多是通过电子邮件和社交媒体等基于网络的媒体招募的。这可能会产生一个倾向于使用数字手段的样本，例如移动戒烟应用程序。因此，结果的泛化性是有限的。

结论

这项研究表明，个人因素影响移动戒烟应用程序的采用。人口统计数据似乎与使用移动戒烟应用程序的意图或态度无关。与吸烟或戒烟行为相关的个人特征以及个人创新性与移动戒烟应用程序的采用相关。这项研究为用户的移动健康戒烟应用程序的概念提供了有用的见解视角。未来的研究可以采用一项研究来调查个人特征对采用移动健康应用程序的潜在影响，以提高移动健康干预的满意度和有效性。