评估减少酒精消费应用程序用户的数字行为改变干预参与量表的心理测量特性:评估研究gydF4y2Ba

简介gydF4y2Ba

在一定程度上参与数字行为改变干预措施(dbci)对于此类干预措施的有效性是必要的[gydF4y2Ba1gydF4y2Ba］．然而，观察到的与dbci的接触水平通常被认为过于有限，无法支持行为改变[gydF4y2Ba2gydF4y2Ba］．例如，一项对基于网络的健康干预措施的系统回顾发现，大约50%的参与者以期望的方式参与干预措施，在各个试验中估计在10%至90%之间[gydF4y2Ba3.gydF4y2Ba］．在不同环境和目标行为中进行的研究报告了DBCI参与和干预有效性的正相关[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba]，表明这些变量可能通过剂量-响应函数联系在一起[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba6gydF4y2Ba］．然而，更成功地实现DBCI目标行为改变的个人与DBCI的接触也更多，这也是合理的。gydF4y2Ba7gydF4y2Ba]或有限的用户参与足以为某些用户带来有意义的改变(即“有效参与”)[gydF4y2Ba6gydF4y2Ba］．人们曾试图描述将参与与干预有效性联系起来的功能[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba7gydF4y2Ba-gydF4y2Ba9gydF4y2Ba]，但由于各研究使用不同的参与定义和衡量标准，进展受到阻碍。gydF4y2Ba

心理学家和计算机科学家都对一个人参与DBCI意味着什么这个问题很感兴趣。一般来说，心理学家将参与度定义为技术使用的程度，被视为参与者接触DBCI的“活性成分”或组件行为改变技术的代理。gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba］．另一方面，计算机科学家将沉浸定义为人机交互过程中发生的“流动”或“沉浸”的主观体验，其特征是集中注意力、内在兴趣、挑战和技能之间的平衡、忘记时间和自我意识，以及到达“不同的地方”[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba］．在对心理学和计算机科学文献进行了系统的综合文献综述后[gydF4y2Ba7gydF4y2Ba除了对潜在DBCI用户的深入访谈外，我们的跨学科研究团队还提出了以下对沉浸感的工作定义:“[对DBCI的沉浸感是]用户每次与DBCI交互时出现的一种类似状态的结构，有两个行为维度(即使用的数量和深度)和三个体验维度(即注意力、兴趣和享受)[gydF4y2Ba14gydF4y2Ba］．”

因此，我们从理论上认为，两个行为维度(使用的数量和深度)和三个体验维度(注意力、兴趣和享受)是人们参与DBCI的必要和充分条件。尽管类似，但是使用dbci被认为在概念上不同于“流”和纯技术使用。虽然有几种流量、沉浸感和技术使用的测量方法可供使用(有关概述，请参阅[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba)，缺乏一种量化行为和体验参与强度的工具。对于研究人员、从业者和开发人员来说，参与的量化尺度应该能够预测关键的兴趣变量，如未来参与、知识获取或干预有效性。此外，尽管许多源自日志数据的使用指标通常用于捕捉行为粘性的强度[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba17gydF4y2Ba]，这是一种有效的敬业度测量方法，它捕捉了敬业度的体验和行为维度，可以轻松管理，无需访问和处理DBCI的原始数据，这将是有用的。DBCI参与量表的开发就是为了填补这一空白[gydF4y2Ba14gydF4y2Ba］．gydF4y2Ba

作为量表开发过程的一部分(详细描述于[gydF4y2Ba14gydF4y2Ba])，跨学科研究团队开发了一个初始量表项目池，此外还有两个用于短期参与测量的“最佳赌注”。然后要求外行和专家受访者将最初的量表项目分为六个类别之一(即，gydF4y2Ba使用量gydF4y2Ba，gydF4y2Ba使用深度gydF4y2Ba，gydF4y2Ba感兴趣gydF4y2Ba，gydF4y2Ba注意gydF4y2Ba，gydF4y2Ba享受gydF4y2Ba，加上gydF4y2Ba不保密的gydF4y2Ba类别)来检验量表的内容效度。对10项DBCI参与量表的第一次心理测量评估是在自愿下载了免费的、有证据的应用程序的成年过度饮酒者的样本中进行的gydF4y2Ba少喝酒,gydF4y2Ba减少他们的饮酒量[gydF4y2Ba14gydF4y2Ba］．结果表明，敬业度的行为和经验指标可能会解决到一个单一的维度。然而，在研究过程中，只有不到5%的合格用户完成了量表，敏感性分析表明，分析样本偏向于高度参与的用户。gydF4y2Ba

在现实环境中研究用户粘性是非常困难的，因为高度粘性的用户更有可能对研究调查做出回应。gydF4y2Ba18gydF4y2Ba]，可能会使结果产生偏差。此外，有证据表明，改变目标行为的动机始终与行为参与的频率有关，例如登录总数[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba］．尽管改变的动机是参与的一个关键预测因素，但它既不是参与DBCI的必要条件，也不是充分条件。例如，一个缺乏减少饮酒动机的用户可能会被一个特定应用程序的设计所吸引，沉迷于它的内容，随后就会有减少饮酒的动机。因此，为了更好地研究投入的维度结构，我们认为在我们的分析中调整动机的变化很重要，从而将投入状态从混杂的动机中分离出来。本研究旨在评估通过在线研究平台招募的用户样本的DBCI参与量表，以解决以下研究问题:gydF4y2Ba

1. DBCI参与量表的因素结构是什么?(建构效度)gydF4y2Ba
2. DBCI参与量表内部可靠吗?(内部可靠性)gydF4y2Ba
3. 量表总分是否与客观记录的使用量和使用深度呈正相关?(效标效度)gydF4y2Ba
4. 总量表得分是否能预测未来的行为投入(即，后续登录)，包括和不包括减少饮酒动机的调整?(预测效度)gydF4y2Ba
5. 是否有两种最佳的短期投入措施来预测未来的行为投入，有或没有减少饮酒的动机调整?(预测效度)gydF4y2Ba
6. 与只包含客观记录的参与行为指标的模型相比，包含客观记录的行为指标和自我报告的参与体验指标的模型在未来的行为参与(即，随后的登录)中说明了更多的差异吗?(增量的有效性)gydF4y2Ba
7. 量表总分与心流状态量表总分是否显著相关?(的有效性)gydF4y2Ba

方法gydF4y2Ba

预先登记的研究方案可在开放科学框架内找到[gydF4y2Ba21gydF4y2Ba］．伦理批准由伦敦大学学院计算机科学系研究伦理主席(项目ID: UCLIC/1617/004/Staff Blandford HFDH)批准。gydF4y2Ba

入选标准gydF4y2Ba

年龄≥18岁的参与者有资格参加研究;报告酒精使用障碍识别测试(AUDIT)得分≥8，表明过度饮酒[gydF4y2Ba22gydF4y2Ba];居住在英国;拥有一部能够运行iOS 8.0软件的iPhone(即iPhone 4S或更高版本的机型);并且愿意下载和探索一个减少酒精消费的应用程序。gydF4y2Ba

抽样gydF4y2Ba

参与者通过在线研究平台高产[gydF4y2Ba23gydF4y2Ba］．通过在线平台参与研究的个人主要是出于经济动机，不一定对健康行为改变感兴趣[gydF4y2Ba24gydF4y2Ba］．因此，我们期望高产能让我们招募到具有不同程度改变动机的用户样本。然而，我们并没有期望招募一个样本来代表英国过度饮酒者的一般人群。gydF4y2Ba

样本大小gydF4y2Ba

没有进行正式的样本量计算。根据心理测量学文献，参与者与项目的比例为25:1(即总共250名参与者)被认为是理想的[gydF4y2Ba25gydF4y2Ba］．gydF4y2Ba

措施gydF4y2Ba

为了确定合格性和描述样本，收集了年龄方面的数据;性别(男性或女性);工作类型(手工、非手工或其他);酒精消费模式，由审计署衡量[gydF4y2Ba22gydF4y2Ba];减少饮酒的动机，以停止饮酒动机量表衡量[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba];居住国家(英国或其他);是否拥有iPhone;以及是否愿意下载和探索一个减少酒精的应用程序(是或不是)。gydF4y2Ba

适合已下载及浏览gydF4y2Ba少喝酒gydF4y2Ba应用程序，在第一次使用应用程序时收集位置数据(家中，工作，车辆，公共交通，餐馆/酒吧/café，其他人的家，其他，或不记得)和10项DBCI参与量表[gydF4y2Ba14gydF4y2Ba]，以捕捉对dbci的瞬时行为(即使用数量、深度)和体验(即注意力、兴趣、享受)参与(gydF4y2Ba文本框1gydF4y2Ba)．关于量表项目是如何在一组专家和非专家中开发和测试的详细描述可以在以前的研究中找到[gydF4y2Ba14gydF4y2Ba］．gydF4y2Ba

还收集了以下变量的数据，用于测试量表的标准、预测效度、增量效度和发散效度。gydF4y2Ba

构造、标准和增量有效性gydF4y2Ba

在参与者第一次登录会话期间，记录了查看应用程序屏幕的数量，以得出客观记录gydF4y2Ba使用量gydF4y2Ba而且gydF4y2Ba使用深度gydF4y2Ba，用于测试量表的结构、标准和增量效度。屏幕浏览记录储存于网上资料库(gydF4y2BaNodeChefgydF4y2Ba)并使用免费的python库进行提取gydF4y2Ba熊猫gydF4y2Ba．的变量gydF4y2Ba使用量gydF4y2Ba通过计算参与者第一次登录会话所花费的时间(以秒为单位)得出。的变量gydF4y2Ba使用深度gydF4y2Ba是通过计算参与者第一次登录会话期间访问的应用程序组件的数量得出的，索引为(0-100)的比例内可用组件的数量gydF4y2Ba少喝酒gydF4y2Baapp(即目标设定、自我监控/反馈、行动计划、规范性反馈、认知偏差再训练、身份改变、其他[gydF4y2Ba29gydF4y2Ba])。gydF4y2Ba

预测效度gydF4y2Ba

在接下来的14天里，他们还记录了应用程序屏幕的浏览次数，以得出变量gydF4y2Ba随后登录gydF4y2Ba，用来测试量表的预测效度。随后的登录(是vs否)被定义为至少30分钟不活动后的新屏幕视图[gydF4y2Ba30.gydF4y2Ba］．由于健康应用在用户首次登录后很可能会被放弃[gydF4y2Ba31gydF4y2Ba，gydF4y2Ba32gydF4y2Ba，作者认为，衡量用户粘性的有效方法应该能够区分哪些用户可能会再次使用应用。gydF4y2Ba

两项代表了作者的观点gydF4y2Ba最好的赌注gydF4y2Ba为了衡量用户粘性(例如，“你有多喜欢这个应用程序?”和“应用程序的粘性如何?”)是由研究团队开发的，用于测试粘性的短期测量是否比整体量表具有更高的预测有效性。这些项目没有明确地从已发表的自我报告量表中抽取。gydF4y2Ba

不同的有效性gydF4y2Ba

流动状态量表中的两个项目[gydF4y2Ba33gydF4y2Ba]被用来测试量表的发散效度。我们选择了两个以前被发现的最强烈加载到一般的项目gydF4y2Ba流gydF4y2Ba因素(例如，“当使用gydF4y2Ba少喝酒gydF4y2Ba当使用时，时间流逝的方式似乎与正常不同。gydF4y2Ba少喝,gydF4y2Ba我不担心别人会怎么看我”)。尽管粘性和流状态的体验指标(即集中注意力、兴趣)存在一些重叠，但研究团队从理论上认为用户不一定会体验到gydF4y2Ba失去时间和意识gydF4y2Ba或gydF4y2Ba平衡挑战和技能gydF4y2Ba当与DBCI打交道时。因此，评估用户是否可以在不一定处于流状态的情况下投入，被认为是测试量表发散有效性的有用方法。流状态量表曾被应用于数字游戏领域[gydF4y2Ba34gydF4y2Ba］．gydF4y2Ba

过程gydF4y2Ba

感兴趣的参与者通过招聘平台多产(多产)确定，并通过Qualtrics调查软件(犹他州普罗沃)完成筛选问卷，获得0.5英镑的报酬。符合条件的参与者被邀请通过多产的内部电子邮件系统，并要求下载gydF4y2Ba少喝酒gydF4y2Ba苹果应用商店的应用程序。参与者被指示探索gydF4y2Ba少喝酒gydF4y2Ba他们会探索任何新的应用程序，并被告知研究人员会监控他们的应用程序使用情况，以评估他们对什么内容感兴趣。由于技术原因，参与者被告知他们必须选择这个选项gydF4y2Ba对少喝酒感兴趣gydF4y2Ba当被问及为什么他们使用gydF4y2Ba少喝酒gydF4y2Ba应用程序和启用推送通知。当参与者在探索完应用程序后点击手机的home键时，他们会收到一个推送通知，其中有一个研究调查的链接。随后，参与者被要求输入他们的“多产者”识别号码，这使研究人员能够将参与者的调查回答与他们的应用程序屏幕视图相匹配。发起但未完成研究调查的参与者(如他们在高产平台上的响应状态所示，标记为“超时”或“提交已返回”)会收到一条提醒消息。完成任务后，参与者得到1.25英镑的报酬。gydF4y2Ba

数据分析gydF4y2Ba

所有分析均采用SPSS 20.0版本(IBM公司，阿蒙克，纽约)。评估参数检验的假设(即残差分布的正态性)，当违反时，应用归一化(即，gydF4y2BazgydF4y2Ba正倾斜数据的-分数归一化)。为每个量表项目和感兴趣的标准变量计算描述性统计数据(如均值、极差、方差)，以确定是否适合进行因子分析。gydF4y2Ba

建构效度gydF4y2Ba

假设一个五因素解决方案(即，gydF4y2Ba使用量gydF4y2Ba，gydF4y2Ba使用深度gydF4y2Ba，gydF4y2Ba注意gydF4y2Ba，gydF4y2Ba感兴趣gydF4y2Ba，gydF4y2Ba享受gydF4y2Ba)可提供与观测数据的最佳拟合[gydF4y2Ba14gydF4y2Ba］．采用主轴因子估计和斜向旋转进行了一系列探索性因子分析。通过检验Cattell 's scree plot和Kaiser准则(即特征值为>1的因子)来确定保留因子的数量[gydF4y2Ba25gydF4y2Ba］．首先，我们测试了包括自我报告项目在内的解决方案的适合性。这与一种解决方案进行了比较，该解决方案包括经验投入的自我报告指标和客观记录的行为投入指标(即客观投入)的组合gydF4y2Ba使用量gydF4y2Ba而且gydF4y2Ba使用深度gydF4y2Ba)．gydF4y2Ba

内部可靠性gydF4y2Ba

通过计算Cronbach alpha来评估内部一致性信度。较大的系数(即=。70 or above) was interpreted as evidence of strong item covariance [35gydF4y2Ba］．gydF4y2Ba

效标效度gydF4y2Ba

通过计算参与者自第一次登录(即目标)以来自动记录的应用程序屏幕视图之间的Pearson相关系数来评估标准有效性gydF4y2Ba使用量gydF4y2Ba而且gydF4y2Ba使用深度gydF4y2Ba)和他们的自我报告gydF4y2Ba使用量gydF4y2Ba而且gydF4y2Ba使用深度gydF4y2Ba以及他们的总分。gydF4y2Ba

预测效度gydF4y2Ba

的变量gydF4y2Ba随后登录gydF4y2Ba回归到参与者的总量表得分，包括和不包括减少饮酒动机的调整。gydF4y2Ba

的变量gydF4y2Ba随后登录gydF4y2Ba都回归到这两个上了吗gydF4y2Ba最好的赌注gydF4y2Ba用于短期的粘性测量(例如，“应用程序的粘性如何?”以及“你有多喜欢这个应用程序?”)，这两种情况下，有或没有调整减少饮酒的动机。gydF4y2Ba

增量的有效性gydF4y2Ba

增量效度评估分为两个步骤。首先，我们评估变量中的方差gydF4y2Ba随后登录gydF4y2Ba通过客观记录的行为投入指标。这与变量中的方差进行了比较gydF4y2Ba随后登录gydF4y2Ba在将自我报告的体验投入指标添加到客观记录的行为投入指标之后。gydF4y2Ba

不同的有效性gydF4y2Ba

通过计算流动状态量表中两个流动状态指标之间关系的Pearson相关系数来评估发散效度[gydF4y2Ba33gydF4y2Ba以及整体的参与度。gydF4y2Ba

结果gydF4y2Ba

参与者gydF4y2Ba

在研究期间(31天;2018年7月23日至2018年8月22日)，401名参与者完成了在线筛查调查，其中266名有资格参加。其中，147名(55%)参与者下载了gydF4y2Ba少喝酒gydF4y2BaApp完成任务(gydF4y2Ba图1gydF4y2Ba)．由于资金限制，我们无法将招聘时间延长到这个时间点之后。因此，250名参与者的预期样本量没有达到。参与者的人口统计和饮酒特征报告在gydF4y2Ba表1gydF4y2Ba．我们没有发现符合条件的参与者在完成和没有完成评估的人口特征任务之间有任何显著差异。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

描述性统计gydF4y2Ba

中报告刻度项的描述性统计信息gydF4y2Ba表2gydF4y2Ba．大多数参与者在家中(118/147,80.3%)或在工作中(19/147,12.9%)完成量表。为了解释所观察到的偏度，对10个量表项目和用于测试量表标准效度的两个项目应用了z-score归一化。标准化量表项目的项目间相关性报告在gydF4y2Ba表3gydF4y2Ba．gydF4y2Ba

规模评估gydF4y2Ba

建构效度gydF4y2Ba

抽样充分性的Keiser-Meier Olkin检验(0.70)和球度的Bartlett检验(gydF4y2BaPgydF4y2Ba<.001)表示数据适合进行因子分析。测试了三种EFA解决方案，以获得最合适的解决方案。gydF4y2Ba

解决方案1gydF4y2Ba

进行了斜向旋转的EFA。特征值表明，占方差61.2%的三因素解是最合适的(gydF4y2Ba表4gydF4y2Ba)．负载表明，第二个因素包括两个消极措辞的指标(即第4和5项)。第三个因素包括两个行为指标(即第9和10项)和一个经验指标(即第7项)，这在理论上没有什么意义[gydF4y2Ba14gydF4y2Ba］．第8项(也是一个消极措辞的项目)对因素1的负荷是适度的。因此，在进行第二次EFA之前，消极措辞的项目(即项目4、5和8)和项目7被丢弃。gydF4y2Ba

解决方案2gydF4y2Ba

随后的倾斜旋转EFA表明，双因素解决方案占方差的62.4% (gydF4y2Ba表4gydF4y2Ba)．体验性指标清楚地反映在因素1上，行为性指标清楚地反映在因素2上，没有交叉负荷(即在两个或多个因素上负荷为0.32或更高的项目)[gydF4y2Ba25gydF4y2Ba］．对这两个潜在因素进行了标记gydF4y2Ba体验参与gydF4y2Ba而且gydF4y2Ba行为参与gydF4y2Ba,分别。gydF4y2Ba

解决方案3gydF4y2Ba

利用自我报告的经验指标(即第1、2、3和6项)和自动记录的行为指标(即第11和12项)组合的斜旋转EFA提出了一个双因素解决方案，占方差的65.7%。经验指标清楚地载入因子1，行为指标清楚地载入因子2 (gydF4y2Ba表4gydF4y2Ba)．gydF4y2Ba

选择方案2用于后续的信度和效度分析，因为它只包含自我报告的项目，并且提供了与方案3相似的良好数据拟合。为每个参与者计算总量表得分，对每个保留项目(即项目1、2、3、6、9和10)给予相同的权重。gydF4y2Ba

内部可靠性gydF4y2Ba

整体测量的内部一致性为0.67，表明内部信度中等[gydF4y2Ba35gydF4y2Ba］．的gydF4y2Ba体验参与gydF4y2BaSubscale的内部一致性为0.78gydF4y2Ba行为参与gydF4y2BaSubscale的内部一致性为0.45。两个分量表均与总体测量显著相关(gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.90,gydF4y2BaPgydF4y2Ba<措施而且gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.56,gydF4y2BaPgydF4y2Ba<措施，respectively). However, the subscales were not significantly correlated with each other (rgydF4y2Ba_145gydF4y2Ba= 0.15,gydF4y2BaPgydF4y2Ba= . 07)。gydF4y2Ba

效标效度gydF4y2Ba

量表总分与客观记录显著相关gydF4y2Ba使用深度gydF4y2Ba（gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.32,gydF4y2BaPgydF4y2Ba<.001)，客观记录gydF4y2Ba使用量gydF4y2Ba（gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.33,gydF4y2BaPgydF4y2Ba<措施)。自我报告的gydF4y2Ba使用深度gydF4y2Ba是否与客观记录显著相关gydF4y2Ba使用深度gydF4y2Ba（gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.51,gydF4y2BaPgydF4y2Ba<措施)。自我报告的gydF4y2Ba使用量gydF4y2Ba是否与客观记录无显著相关性gydF4y2Ba使用量gydF4y2Ba（gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.10,gydF4y2BaPgydF4y2Ba= 23)。gydF4y2Ba

预测效度gydF4y2Ba

预测效度分析的结果在gydF4y2Ba表5gydF4y2Ba．在未经调整的分析中，总量表得分与未来的行为投入(即变量)显著相关gydF4y2Ba随后登录gydF4y2Ba(优势比[OR]=1.15, 95% CI 1.05-1.27，gydF4y2BaPgydF4y2Ba= . 01)。在对减少饮酒动机进行调整的模型中，这种关联仍然显著(调整后的或[或])gydF4y2Ba_{邻接的gydF4y2Ba}]=1.14, 95% ci 1.03-1.27，gydF4y2BaPgydF4y2Ba= . 01)。gydF4y2Ba

两个分量表(即gydF4y2Ba行为参与gydF4y2Ba而且gydF4y2Ba体验参与gydF4y2Ba)之间没有显著相关，进行了计划外分析，以评估每个子量表与未来行为投入的独立关联。在未调整和调整的分析中，gydF4y2Ba体验参与gydF4y2Ba与未来的行为投入(ORgydF4y2Ba_{邻接的gydF4y2Ba}=1.19, 95% ci 1.05-1.34，gydF4y2BaPgydF4y2Ba= .006)。在未调整和调整的分析中，gydF4y2Ba行为参与gydF4y2Ba与未来的行为投入(ORgydF4y2Ba_{邻接的gydF4y2Ba}=1.31, 95% ci 0.38-4.59，gydF4y2BaPgydF4y2Ba=正)。gydF4y2Ba

在未经调整和调整的分析中，询问用户对应用的粘性并不能显著预测未来的行为粘性(OR)gydF4y2Ba_{邻接的gydF4y2Ba}=1.34, 95% ci 0.98-1.84，gydF4y2BaPgydF4y2Ba= . 07)。在未经调整和调整的分析中，询问用户对应用的喜爱程度可以显著预测未来的行为粘性(OR)gydF4y2Ba_{邻接的gydF4y2Ba}=1.38, 95% ci 1.03-1.84，gydF4y2BaPgydF4y2Ba= 03)。gydF4y2Ba

增量的有效性gydF4y2Ba

增量效度分析的结果报告在gydF4y2Ba表6gydF4y2Ba．自动记录的敬业度行为指标(即项目11和12;模型1占变量方差的15.9%gydF4y2Ba随后登录gydF4y2Ba．自动记录的行为指标与自我报告的敬业度体验指标相结合(即项目1、2、3和6;模型2占变量方差的21.1%gydF4y2Ba随后登录gydF4y2Ba．gydF4y2Ba

不同的有效性gydF4y2Ba

量表总分与第一项显著相关(“当使用gydF4y2Ba少喝酒gydF4y2Ba，时间流逝的方式似乎与正常不同”)，而不是第二个(“当使用时gydF4y2Ba少喝酒gydF4y2Ba我不担心别人会怎么看我”)心流指标(gydF4y2BargydF4y2Ba_145gydF4y2Ba= 0.25,gydF4y2BaPgydF4y2Ba<。01和gydF4y2BargydF4y2Ba_145gydF4y2Ba= -0.01,gydF4y2BaPgydF4y2Ba=。95，respectively). The two items tapping flow were not significantly correlated with one another in this sample (rgydF4y2Ba_145gydF4y2Ba= -0.06,gydF4y2BaPgydF4y2Ba=)。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

DBCI敬业度量表由两个基本独立的因素支撑，并进行了标记gydF4y2Ba体验参与gydF4y2Ba而且gydF4y2Ba行为参与。gydF4y2Ba量表内部信度中等，但发散度和效度较低。重要的是，行为分量表可能不是行为投入的有效指标。总量表得分与未来的行为投入(即变量)有微弱的关联gydF4y2Ba随后登录gydF4y2Ba)，经验分量表和其中一个gydF4y2Ba最好的赌注gydF4y2Ba为了衡量用户粘性(即询问参与者他们有多喜欢应用程序)。行为分量表与未来的行为投入没有独立的联系。此外，包括自我报告的经验和客观记录的敬业度行为指标的模型(与只包括客观记录的行为指标的模型相比)在未来的行为敬业度中占更大比例的方差。这些发现与DBCI参与量表的第一次评估结果不一致，在第一次评估中，该量表被发现由单一因素支撑[gydF4y2Ba14gydF4y2Ba］．然而，这些差异至少可以部分解释为本研究的小样本量。gydF4y2Ba

建构效度gydF4y2Ba

研究发现gydF4y2Ba体验参与gydF4y2Ba而且gydF4y2Ba行为参与gydF4y2Ba子量表彼此之间没有显著相关性，本研究支持了这样一种观点，即用户可以在DBCI上花费时间，而不一定对其内容感兴趣或关注，反之亦然[gydF4y2Ba14gydF4y2Ba］．然而，这一发现也引发了一个问题，即体验性投入和行为投入是否属于同一个高阶结构。gydF4y2Ba

研究发现，即使在调整减少饮酒的动机时，参与者的总量表得分也与未来的行为参与弱相关，这是初步证据，表明与DBCI的参与状态在概念上不同于改变目标行为的动机。gydF4y2Ba

增量有效性和预测有效性gydF4y2Ba

增量效度分析结果表明，行为指标和经验指标串联使用比单独使用行为指标具有更强的预测能力。然而，体验而非行为子量表与未来行为参与度独立相关的发现可以解释为，体验指标(特别是用户的兴趣)推动了初始参与度和未来参与度之间的关联。潜在的解释这些发现是更多的密集接触,在第一次登录会话可能会让用户的内存的应用程序更突出,可能会让他们更容易记住回到应用程序。作为一个订婚的短期措施(例如,项目问多少用户喜欢app)还发现预测未来的接触,可能不仅突出的应用,但一个突出的记忆喜欢应用,对未来的合作很重要。目前尚不清楚为什么第一种(而不是第二种)短期参与测量具有显著的预测能力;这个词gydF4y2Ba喜欢gydF4y2Ba可能比字面意思更容易理解gydF4y2Ba引人入胜的gydF4y2Ba．初始体验和行为投入与未来行为投入(即变量)之间关系的潜在机制gydF4y2Ba随后登录gydF4y2Ba)应在最初应用用户粘性的几个小时内使用体验抽样技术进行进一步探索;这包括在用户的自然环境中实时重复测量心理过程[gydF4y2Ba36gydF4y2Ba］．gydF4y2Ba

这些结果也提出了一个问题，即未来的行为投入是否是测试投入量表的最合适的标准变量。例如，知识保留或技能习得可能在理论上更可靠，正如说服力的精化似然模型(ELMP)所建议的[gydF4y2Ba37gydF4y2Ba］．ELMP认为，当一个人关注(或参与)一条健康信息时，就会发生深度信息处理，这将导致知识记忆的增加。与行为投入相比，初始行为投入和体验投入在预测知识留存时具有更好的预测能力，这似乎是合理的。此外，评估即时(或类似于国家)参与的新措施是否能够在以后的时间点预测干预有效性将是有用的。gydF4y2Ba

效标效度gydF4y2Ba

研究发现，自我报告和客观记录的指标gydF4y2Ba使用量gydF4y2Ba在本样本中没有显著相关，这表明DBCI参与量表可能不是行为参与的有效指标。然而，尽管gydF4y2Ba使用量gydF4y2Ba(即以分钟或秒为单位的花费时间)通常被用作行为投入的黄金标准或基本事实，我们的结果表明，客观地记录gydF4y2Ba使用量gydF4y2Ba与许多经验指标(如兴趣、阴谋)显著相关。虽然探索性因素分析没有表明gydF4y2Ba使用量gydF4y2Ba与参与性的经验指标相同的因素，观察到的相关性模式使我们质疑花在DBCI上的时间是否值得它的基本事实地位。因此，有必要进行未来的研究，以调查自我报告和客观记录的指标之间差异的来源gydF4y2Ba使用量gydF4y2Ba．gydF4y2Ba

不同的有效性gydF4y2Ba

与第一项评估量表的研究一致，这项研究没有提供DBCI参与量表与心流状态量表背离的证据。在与dbci的接触和被标记的流维度之间存在概念上的重叠gydF4y2Ba忘记时间gydF4y2Ba．值得注意的是，所提议的参与定义在某种程度上是基于流的概念[gydF4y2Ba14gydF4y2Ba］．因此，将来使用概念上更明确的衡量方法来评估该比额表的不同效度可能更有成效。缺乏证据表明DBCI参与量表与心流状态量表不同，这也可能是参与者自我报告的合理解释gydF4y2Ba使用量gydF4y2Ba是否与他们的客观记录没有显著相关gydF4y2Ba使用量gydF4y2Ba；他们可能在玩游戏时忘记了时间gydF4y2Ba少喝酒gydF4y2Ba这一发现表明，自我报告和客观记录的DBCI时间指标可能会使用不同的结构;未来的研究需要检验其中哪一个与感兴趣的关键结果更密切相关。gydF4y2Ba

限制gydF4y2Ba

这项研究是有限的，因为它没有达到预期的250名参与者的样本量。由于多产是一个新颖的平台，只有一小部分人符合研究资格标准(即过度饮酒、愿意下载酒精减少应用程序、拥有iPhone)，在筛选了400多名参与者后，现有的参与者库已经耗尽。虽然参与者与项目的比例被认为是确定进行因素分析所需的最低样本量的关键，但模拟研究的结果表明，其他因素，包括每个因素的项目数量和项目之间的共同性水平，也影响样本量要求[gydF4y2Ba38gydF4y2Ba］．鉴于本研究参与者与项目的比例有限，且每个因素的项目数量较少，应谨慎解释双因素解决方案，并值得在未来的研究中在更大的样本中复制。第二个限制是，市场研究表明，iOS用户平均而言比Android用户更富裕。gydF4y2Ba39gydF4y2Ba］．随着gydF4y2Ba少喝酒gydF4y2Ba这款应用目前仅适用于iOS用户，我们的研究结果可能不适用于Android用户。gydF4y2Ba

通过多产网站进行的研究，包括初步筛选研究，然后邀请符合条件的参与者完成实际研究，其流失率往往约为20%-25%，而不是45% [gydF4y2Ba40gydF4y2Ba］．因此，完成任务的合格参与者和没有完成任务的参与者之间可能存在系统差异。例如，小额的经济奖励可能被认为不值得花精力下载一个应用程序。事实上，一项评估通过亚马逊的Mechanical Turk在线平台(类似于多产)定期完成研究任务的参与者的人口统计和心理特征的研究发现，大多数被调查的参与者报告说赚钱是参与研究的关键动力[gydF4y2Ba24gydF4y2Ba］．还应该注意到，经济激励可能干扰了参与者的自然主义参与，从而限制了研究结果的普遍性。先前的研究发现，在DBCI研究中，金钱可以成为一个重要的激励因素，并在纵向研究中提高应答率[gydF4y2Ba41gydF4y2Ba］．gydF4y2Ba

我们不想让用户负担过重;因此，我们没有评估可能影响用户量表得分的关键特征变量。例如，尝试将用户的性格特征(如大五人格模型中指定的性格特征)所导致的方差分出来是有用的。gydF4y2Ba42gydF4y2Ba]，以确保DBCI敬业度量表检测到的不是高尽责性或低神经质。gydF4y2Ba

对参与者减少饮酒动机的调整应该增加了DBCI参与量表上的项目协方差，因此被认为是一项研究的优势。然而，应该注意的是，参与者的动机可能与他们的参与水平相互作用。因此，尽管对参与者的改变动机进行了调整，但量表得分可能不能完全代表参与者的“真实”投入得分。gydF4y2Ba

最后，使用谷歌的截止时间(即30分钟不活动)来确定用户是否进行了后续登录的决定，据我们所知，并不是基于会话长度的证据。未来的研究应该探索这是否构成了一种有用的启发式方法，用于使用定量和定性方法识别新的DBCI会话。gydF4y2Ba

未来研究方向gydF4y2Ba

由于观察到共同构成DBCI参与度量表的量表项的非正态分布，因此决定使用z-score归一化。因此，DBCI参与量表的总分仅与特定DBCI产生的体验和行为参与的平均强度相关。这可能有助于在dbci中为“高”和“低”参与者制定界限，而不考虑他们的具体参数(例如，干预成分的数量和长度)。例如，分数落在高于或低于平均值的特定SDs范围内的用户可能被有效地归类为“高”或“低”参与者，这些模式可能在dbci中复制。通过评估不同类型的DBCI(例如，戒烟或体育活动的网站或应用程序)的DBCI参与量表，值得探索参与评分的平均值和分布是否在DBCI之间复制。gydF4y2Ba

最初的体验参与(或对应用程序的喜爱)与未来的行为参与独立相关的发现表明，干预开发者应该仔细考虑如何让他们的dbci在第一次使用时具有吸引力。在迭代设计过程中，比较不同设计图形用户界面的用户体验，DBCI参与量表可能是有用的。gydF4y2Ba

结论gydF4y2Ba

DBCI敬业度量表评估敬业度的行为和体验方面。行为分量表可能不是行为投入的有效指标。体验子量表可以预测后续使用减少酒精消费的应用程序的行为参与度。需要在更大的样本和不同的dbci中进一步细化和验证量表。gydF4y2Ba