用积极的建议提高身体活动智能手机干预的有效性:随机对照试验

简介

背景

电子卫生干预措施使用信息和通信技术，如移动电话和计算机，来改善或实现卫生保健。智能手机和电脑的广泛普及使得向广大人群提供电子保健干预措施成为可能，而不需要大量的财务成本。电子健康干预措施的很大一部分侧重于行为改变和实施健康的生活方式习惯，如增加体育活动和改变饮食习惯[1］．积累的文献表明，电子健康应用程序可以增加不同人群的身体活动，包括青少年[2]、适龄工作妇女[3.]、长者[4]、心血管疾病患者[5]，以及癌症幸存者[6］．与此同时，多项荟萃分析和文献综述表明，各种电子卫生干预措施的有效性各不相同，而且这些干预措施的效果会随着时间的推移而下降[2，4，7，8］．为提高干预措施的有效性，提出了若干干预措施的特点:用户友好设计、实时反馈和卫生专业人员的参与[1］．

提高电子保健干预措施有效性的一种可能方法是操纵用户对干预措施的期望，但尚未对此进行调查。这可以通过向用户提供强调干预有效性的积极建议来实现。积极的结果预期是安慰剂效应的主要机制之一。关于积极建议对各种干预措施结果的影响，已经进行了大量研究[9-11］．例如，已有研究表明，优化搭桥手术患者的期望可降低这些患者术后6个月的残疾[10］．在疼痛、瘙痒、抑郁、疲劳和恶心等方面，也发现了通过增强患者的积极期望而产生的安慰剂效应[12-15］．积极的干预建议除了可以改变用户的预期外，还可以增加干预的感知可信度和用户对干预的依从性[9，16］．

虽然积极建议引起的安慰剂效应在医疗保健的各个领域得到了广泛的研究，但在电子健康中使用安慰剂效应的潜力的研究仍然很少。最近的一项研究使用了几种积极的建议来改变参与者对智能手机提供的旨在改善情绪的安慰剂干预的期望。17他发现，在安慰剂干预的20天里，对应用程序及其可信度的期望有所下降。然而，在联合建议条件下，这种下降不那么突出，在这种情况下，参与者在干预开始前被告知应用程序的积极影响，并在干预期间提供积极反馈[17］．虽然之前的这项研究旨在提高对安慰剂干预的积极预期，但迄今为止还没有研究旨在通过改变参与者的预期来提高主动电子健康干预的有效性。

目标

这项研究调查了积极的建议是否能影响参与者的期望，并提高身体活动智能手机干预的有效性。我们研究了在干预前和干预期间给出的积极建议对几种结果的影响。主要结果是(1)参与者对应用程序有效性的期望(2)参与者在干预期间采取的步数。次要结果是应用程序的感知有效性，应用程序的参与度，以及参与者在干预期间的活力和疲劳。

方法

伦理批准

该研究得到了莱顿大学心理学研究伦理委员会(2020-09-14 awmevers - V2-2625)的批准。研究方案已预先登记于开放科学架构[18］．

研究设计

采用随机、受试者间研究设计。参与者被随机分配到两种情况中的一种:(1)积极建议组(有积极建议的干预)和(2)对照组(没有建议的干预)。使用随机数生成器将参与者随机分组，分组大小为6。

这项研究是基于网络的，所有测量都是通过互联网进行的。在干预过程中，参与者没有与研究人员直接接触;然而，如果他们有问题，他们可以通过电子邮件与研究团队联系。

参与者

本研究招募了年龄在18至40岁之间的健康参与者。招聘是在莱顿大学校园内进行的，并通过Facebook和WhatsApp等社交媒体进行。入选标准是充分理解、阅读和写作英语的能力;会使用智能手机和互联网;拥有智能手机的;并且愿意增加体力活动。患有可能妨碍正常身体活动模式的疾病(如关节问题或心脏病)的参与者被排除在这项研究之外。参与者如果完成了整个干预，可以获得10欧元(11.43美元)或8个学习学分;如果完成了两周，可以获得6欧元(6.86美元)或6个学习学分;如果完成了干预的第一周，可以获得3欧元(3.43美元)或3个学分。奖励是在研究结束后发放的。

由于到目前为止还没有关于积极建议对电子健康干预中步数的影响的研究，因此选择了一项关于积极建议对身体表现(举重练习)的影响的研究来进行样本量计算[19］．功率计算，采用G* power 3.1 [20.]，表示使用协方差分析来检测积极建议与对照组之间的差异，并估计科恩的效应量f= 0.47 (19]， α=的临界α水平。05， β的幂=。95，31参与者per group, that is, 62 participants in total, would be needed. In a similar study by our laboratory, which used the same eHealth intervention in healthy volunteers, the dropout rate from the moment of recruitment until the end of the study was 33.6% (46/140). Therefore, we aimed to recruit 93 participants in this study.

过程

该研究被宣传为一项测试手机身体活动干预的研究。研究人员向感兴趣的参与者发送了一份包含研究细节的信息信，并要求他们在Qualtrics平台(Qualtrics International Inc)上以数字形式签署一份知情同意书。参与者被要求在干预开始前至少一周在手机上安装谷歌Fit或Apple Health应用程序。研究应用程序检索了这些应用程序在干预前一周的步数数据，并将其用作参与者平均步数的基线测量。

在干预开始前一周，参与者会收到苹果App Store和谷歌Play Store的下载链接。在下载应用程序后，他们被要求填写几份基于网络的基线问卷，测量他们对应用程序的期望、过去两周的活力和疲劳、运动动机、焦虑程度以及对应用程序的期望参与度。在这一点上，他们还被要求允许从谷歌Fit或Apple Health中检索自己的步数，并向他们发送推送通知。

在干预的第一天，参与者被随机分配到以下干预条件之一:有积极建议的干预或控制干预(没有建议)。在干预的第一天早上，积极建议组的参与者收到了一份网上传单，上面有积极的建议(图1(左)。对照组的参与者收到了类似的传单，描述了研究应用程序的技术细节(图1,对吧)。参与者被要求仔细阅读传单，因为传单上提供的信息在干预过程中是需要的。在阅读传单后，参与者被要求填写一份问卷，衡量他们对干预的期望。每天上午9点，参与者都会收到来自研究应用程序的推送通知。此外，研究应用程序从谷歌Fit或Apple Health检索步数数据，并跟踪参与者每天走的步数。在干预的第8天和第15天，积极建议组的参与者被给予关于干预的简短助推器建议(图2)，两组参与者都被要求填写简短的问卷，以了解他们认为干预措施的有效性和吸引力。在干预的最后一天之后，参与者被要求填写几份问卷，以衡量他们对干预的感知有效性、对应用程序的参与度、活力和疲劳程度。所示的研究步骤流程图多媒体附件1．

‎ 查看此图

‎ 查看此图

实验干预

研究条件

积极建议小组

在积极建议组中，在干预开始前，参与者收到了关于干预有效性的信息传单。它强调，研究应用程序已被证明成功地激励人们更积极地锻炼身体，并列出了使用该应用程序的各种积极影响图1(左)。

此外，这些建议在研究应用程序中实施，并在干预的第8天和第15天(干预的第1周和第2周结束)再次给予参与者(加强建议)。为了避免在控制组和实验组必须阅读的信息量上带来太大的差异，只给了两个非常短的助推器。助推器建议的截图显示在图2．

对照组

在对照组中，参与者收到了一份关于研究应用程序的技术细节的传单。这些信息与积极建议组中的信息长度相似，但不旨在影响参与者对干预有效性的期望。控制手册载于图1(右)。

研究应用程序和干预

研究应用程序是与MobileCoach [21，22这是一个基于智能手机和聊天机器人的行为健康干预和生态瞬时评估的开源软件平台。基于mobilecoach的干预措施[23，24]已被用于各种研究，例如压力管理[25]、性格改变[26]，推广健康知识[23]，或体育活动[24］．该应用程序的图形用户界面类似于WhatsApp或其他消息应用程序，以利用参与者在现有和众所周知的沟通和互动范式方面的专业知识。该应用程序连接到用户智能手机上的Apple Health或谷歌Fit应用程序，并在干预期间每天从这些应用程序中检索步数。此外，该应用程序集成了LimeSurvey问卷(LimeSurvey GmbH)，允许问卷直接通过研究应用程序发送给用户。本研究基于mobilecoach的应用程序旨在通过增加用户的每日步数来增加他们的身体活动。该应用程序在我们实验室的其他研究项目中进行了测试。在试验过程中，没有发现任何错误或不一致的干预。完成干预的参与者的步长数据是完全可用的。停止干预且不再打开应用程序的参与者的步长数据从他们停止打开应用程序的那一刻起就无法获得。

研究干预包括入职和21天的积极干预。在21天的干预中，每天早上，参与者都会收到来自该应用的聊天机器人的几条消息，该机器人被定位为移动步教练。这些信息包含简短的心理练习，帮助使用者设定合理的活动目标，并思考参与干预的原因、可能的障碍以及克服这些障碍的方法。类似于其他基于mobilecoach的干预措施[23，24]，参与者可以与聊天机器人交流，并在应用程序中输入他们的回答或使用预定义的回答选项。该应用程序使用了预定义的脚本和预定义的回答选项，以最大限度地确保干预进程的安全性和可追溯性。与聊天机器人的对话包括人类的线索，例如教练的照片，幽默，以及提及教练的个人生活，以使聊天机器人更像人类。27，28]并触发一个工作联盟[23，29，30.]，这与干预结果密切相关[31-33］．应用程序的截图显示在图3．由于聊天机器人没有被预先编程为谈论与干预无关的话题，因此它无法回答参与者自发提出的问题。如果参与者需要应用程序的帮助或有任何问题，他们可以通过电子邮件与研究人员联系。

‎ 查看此图

干预措施基于健康行为改变的跨理论模型[34］．该模型将行为改变视为一个螺旋式上升的过程，包括五个阶段:预思考、沉思、准备、行动和维持。每次干预都针对其中一个阶段。此外，一些行为改变技术被纳入干预，如提示、线索、关于健康后果的信息、目标回顾和社会奖励[35］．对干预的概述介绍在多媒体附件2(包括锻炼所针对的健康行为改变的阶段)。

测量和问卷调查

人口特征

参与者被问及他们的年龄、性别、国籍、身高和体重。BMI根据参与者的身高和体重计算，计算公式如下:体重(kg)除以身高(m)²）.

主要的结果

步骤通过参与者手机上的谷歌Fit或Apple Health进行测量，并从这些应用程序检索到研究应用程序中。在干预开始前1周和干预后21天测量步数。干预开始前一周的平均步数被用作基线步数测量。在分析中，每天的干预步数被用作主要的结果衡量标准。

预期关于该应用程序的有效性，我们用为这项研究创建的六个陈述来衡量:(1)该应用程序将帮助我变得更加活跃;(2)应用程序会激励我增加步数;(3)该应用程序将帮助我享受更多的运动;(4) app会帮助我养成和保持健康的习惯;(5)使用这款应用会让我感觉更有活力;而且(6)使用这个应用程序会让我睡得更好。参与者被要求使用李克特5分制评价这些陈述(1=非常不同意，2=不同意，3=中立，4=同意，5=非常同意)。研究人员对参与者的期望进行了两次测量，一次是在发放传单之前，一次是在参与者阅读带有积极或控制性建议的传单之后。分析采用6个陈述的总分。得分可能在6到30之间，分数越高表示期望越积极。 The internal consistencies of both baseline (α=.79) and day 1 (α=.80) measures were acceptable and good, respectively.

二次结果

感知应用效果通过为这项研究创建的六个陈述来衡量，这些陈述反映了关于期望的问题:(1)应用程序帮助我变得更活跃;(2)应用程序激励我增加步数;(3)应用程序让我更享受运动;(4) app帮助我养成和保持健康的习惯;(5)使用这款应用程序让我感觉更有活力;(6)使用这个应用程序让我睡得更好。参与者被要求使用李克特5分制评价这些陈述(1=非常不同意，2=不同意，3=中立，4=同意，5=非常同意)。分析采用6个陈述的总分。得分可能在6到30之间，分数越高表示期望越积极。感知有效性被测量了三次:在第8天和第15天以及在干预的最后一天之后。 The internal consistencies of day 8 (α=.86) and day 15 (α=.87) measures were good and excellent (α=.90), respectively.

(预期)订婚使用EHealth技术的TWente参与度量表[36］．使用了两个版本的问卷:一个测量预期参与度，一个测量当前参与度。问卷包含9个陈述。预期参与问卷在基线和第1天测量，询问用户认为他们会如何发现应用程序。参与问卷在第8天和第15天测量，并在干预结束时询问用户对干预的参与程度。参与者被要求使用李克特5分制(1=非常不同意，2=不同意，3=中立，4=同意，5=非常同意)对这些陈述进行评分。总分可能在9到45之间，问卷上的分数越高，说明应用的参与度越高。基线测量的内部一致性是有问题的(α=.69);然而，第1天测量具有可接受的一致性(α=.79)，第8天、第15天和最后一天测量具有良好的内部一致性(α=.79)。分别是83，.85和.83)。

活力采用主观活力量表[37］．主观活力量表包括7个陈述，测量过去两周内活跃和警觉的主观感觉。参与者被要求用7分制的李克特量表(1=完全不正确;7 =非常正确)。得分可能在7到49之间;综合量表得分越高，自我报告的活力就越高。在干预开始前和干预最后一天后测量基线活力。

乏力使用核对表测量个体强度[38］．个人力量检查表包括20个陈述，衡量过去两周所经历的疲劳的四个维度:疲劳严重程度、注意力问题、动力下降和活动。参与者被要求用7分制的李克特量表(1=是的，这是真的;7=不，那不是真的)。得分在20到140之间，得分越高，说明疲劳程度越高。在干预开始前和干预最后一天后分别测量基线疲劳。

锻炼的动机采用运动行为调节问卷-2进行测量[39］．该量表包括19个项目。参与者被要求用7分制的李克特量表(1=对我来说不正确;7=对我来说非常正确)。问卷包括五个分量表:动机、外部调节、内参调节、识别调节和内在调节。分数越高，动机越强。在基线时测量一次运动动机。

焦虑采用广泛性焦虑障碍7项量表进行测量[40］．参与者被要求用李克特4分制(0=完全没有;3=几乎每天)。得分范围在0到21之间，得分越高表明焦虑程度越高。焦虑在基线测量一次。

统计分析

使用RStudio(版本1.1.447;R版本4.0.4)。数据和R代码可在web上获得[18］．所有试验均采用双侧进行。

为了比较各组的基线特征(年龄、BMI、干预开始前一周的步数、基线期望、疲劳程度、活力、基线期望使用MobileCoach的时间和运动动机)，采用独立样本2尾分析t使用检验或非参数Wilcoxon检验(在违反假设的情况下)。为了检查参加第一轮和第二轮招募的参与者在基线测量和研究结果(基线步数、基线和干预后的活力和疲劳、干预期间的步数、干预后的活力和疲劳)方面是否存在差异，独立样本t使用检验或非参数Wilcoxon检验(在违反假设的情况下)。

为了调查MobileCoach干预是否对参与者每天行走的步数有影响，我们将参与者在干预前一周的每日步数平均值与干预期间的每日步数平均值进行了配对样本比较t测试。

采用R (R Core Team, 2013)中nlme包的lmer函数进行线性混合效应模型分析，以检验本研究的主要假设。定义了数据的多层结构一天(级别1)嵌套在参与者(2级)。参数估计使用完全最大似然程序。在所有模型中，截距允许在参与者之间随机变化。随机斜率不能改善模型的拟合;因此，他们被排除在最后的分析之外。效应量(Cohend)的所有线性混合效应模型的计算使用EMAtools包。科恩d=0.2被解释为较小的效应量，Cohend=0.5作为中等效应大小，科恩d=0.8作为较大的效应量[41］．

为了调查这些建议是否对参与者对干预有效性的期望有影响，我们使用了一个线性混合效应模型。第1天的期望(建议后)为因变量，自变量为组和基线期望(建议前)。

为了检验这些建议是否对干预期间所采取的步骤有影响，我们使用了线性混合效应模型方法。在21天的干预中，每一天的步数被用作因变量，分组、基线步数(以控制行走的个人基线差异)和天数为自变量。

为了检验建议是否对干预的感知有效性有影响，以干预的有效性为因变量，以分组和天数为自变量，采用线性混合效应模型。

为了检验建议是否对应用程序的预期粘性有影响，使用了一个线性混合效应模型，将建议后预期粘性作为因变量，将组和建议前预期粘性作为自变量。为了调查在干预期间，建议是否对应用程序的参与度有影响，使用了一个线性混合效应模型，以参与度为因变量，以日期和群体为自变量。

为了检验这些建议是否对活力和疲劳有影响，采用了2个独立的线性混合效应模型，以干预期间的活力或疲劳为因变量，分组和基线活力或疲劳为自变量。

为了检验后建议期望是否对因变量有影响，我们创建了几个类似的模型，将后建议期望而不是群体作为自变量，并将步数、感知应用有效性、(预期)参与度、活力和疲劳作为因变量。

结果

参与者

在第一轮研究中，在2020年11月至2020年12月期间招募了93名参与者。由于在广告中列出了入选标准，因此没有参与者因不符合入选标准而被排除在外。然而，退出率高于预期，在第一轮数据收集后，只有39.8%(37/93)的参与者可以获得完整的数据。因此，在2021年2月再次进行了干预，又招募了45名参与者参与研究，以达到预期的样本量。由于研究的网络性质，没有对过早停止的参与者进行随访。因此，参与者退出的原因仍然未知。

总共有138名参与者被随机分为两组;133名(96.4%)参与者开始了研究，79名(57.2%)参与者的完整数据可用。包含在每个步骤和退出的参与者的流程图显示在多媒体．中给出了缺失数据的概述多媒体附件4．所有可用的数据都包含在分析中，每次分析中包含的参与者数量在结果中显示。

人口统计和基线特征

在133名参与者中，69名(51.9%)参与者(n=55, 80%为女性;N =13，男性占19%;n= 1,1%其他)被分配到积极建议组，64人(48.1%;N = 56,88%为女性，N = 8,13%为男性)。样本的平均年龄为23.3岁(SD 6.1岁)。通过比较测试的组的基线特征概述见表1．各组之间没有发现特征上的差异。在参加第一轮和第二轮招募的参与者之间，基线测量和研究结果没有发现差异。

主要分析

预期

组间预期显著差异，中等效应量(B=−1.61,SE 0.47;t₁₂₄=−3.40;P<措施;科恩d= 0.61;125/133, 94%)在控制预设建议期望时:积极建议组的参与者(平均21.82，标准差2.64)比对照组的参与者(平均20.98，标准差3.23)更期望应用程序更有效。每个组的平均期望表示在图4．

‎ 查看此图

步骤

与干预前一周的平均每日步数(平均4115.5,SD 2414.9)相比，无论各组，参与者在干预期间的每日步数(平均5689.6,SD 2718.3)显著增加;t₁₀₇=−8.62;P<措施;108/133, 81.2%)。

在干预的每一天执行的步数与基线周的平均步数之间的差异显示在图5．以干预步数为因变量的多级模型;基线步骤、日期和组作为预测因子;随机截距(108/133,81.2%)表明，组对步数没有显著影响(B=−22.05,SE 334.90;t₁₀₅=−0.07;P= .95;科恩d= 0.01)。该模型显示，可变天数显著预测了步数:两组参与者在干预期间每天都增加了步数(B=37.47, SE 12.51;t₂₀₀₉= 2.99;P= .003)。然而，一天作为一个预测因子的效应值可以忽略不计(Cohend= 0.13)。基线步数也显著预测干预期间采取的步数，具有较大的效应量(B=0.71, SE 0.07;t₁₀₅= 10.48;P<措施;科恩d=1.97):在基线周采取更多步数的参与者在干预期间也采取更多步数。

‎ 查看此图

以建议后预期代替组(108/133,81.2%)的模型表明，预期不影响干预期间采取的步数(B=−44.06,SE 59.68;t₁₀₅=−0.74;P= .46;科恩d= 0.14)。日的影响(B=37.56, SE 12.51;t₂₀₀₉= 3;P= .003;科恩d=0.13)和基线步长(B=0.70, SE 0.07;t₁₀₅= 10.08;P<措施;科恩d=1.97)在该模型中也显著。

二次分析

感知应用效果

报告了该应用程序的有效性多媒体．

以应用程序有效性为因变量，以群体和天数为预测因子，采用随机截距(122/133,91.7%)的多层模型表明，群体不影响感知应用程序有效性(B=0.78, SE 0.69;t₁₂₀= 1.12;P=点;科恩d= 0.21)。日期变量对有效性有影响:参与者报告在干预期间应用程序的有效性增加(B=0.06, SE 0.02;t₂₁₀= 2.81;P= .005;科恩d= 0.39)。

(预期)应用粘性

以群体和基线(预建议)预期投入为预测因素，随机截距在参与者之间变化(127/133,95.5%)的多水平模型表明，群体对建议后预期投入有显著影响(B=3.80, SE 0.63;t₁₂₄= 6.04;P<措施;科恩d=1.09)控制预建议预期参与度:积极建议组的参与者(平均值31.62，标准差3.31)比对照组的参与者(平均值30.41，标准差3.26)对应用程序的期望更高。

另一个以敬业度为因变量，分组(122/133,91.7%)和天数为预测因素的模型表明，两组(B=0.78, SE 0.75;t₁₂₀= 1.06;P= 29;科恩d(B=0.042, SE 0.03;t₂₁₀= 1.60;P=厚;科恩d=0.22)对报告的参与度有影响。

活力

以干预期间的活力为因变量，组和基线活力为预测因素，随机截距(117/133,88%)的多水平模型表明，组在干预期间对活力没有影响(B=0.01, SE 0.11;t₁₁₄=−0.07;P= .95;科恩d= 0.01)。基线活力与干预期间的活力呈正相关(B=0.20, SE 0.02;t₁₁₄= 11.11;P<措施;科恩d= 2.08)。

乏力

以干预期间疲劳为因变量，组和基线疲劳为预测因子(133/133,100%)的多水平模型显示，组显著预测疲劳(B=3.09, SE 0.59;t₁₃₀= 5.22;P<措施;科恩d=0.92):积极建议组的参与者(平均23.49，标准差12.47)报告的疲劳程度低于对照组的参与者(平均24.94，标准差11.62)。基线疲劳能积极预测干预期间的疲劳(B=0.11, SE 0.02;t₁₃₀= 6.68;P<措施;科恩d= 1.17)。

Postsuggestion预期

后建议期望显著影响感知应用程序有效性(B=0.62, SE 0.10;t₁₁₉= 6.13;P<措施;科恩d= 1.12;121/133, 91%):参与者在第一天对应用程序的期望越高，他们在干预期间报告的应用程序有效性就越高。建议后预期也显著影响参与者的活力，且影响量很大(B=0.02, SE 0.004;t₁₁₄= 5.09;P<措施;科恩d= 0.95;117/133, 88%):在干预期间，更高的预期与更高的活力有关。建议后预期对疲劳没有影响(B=−0.04,SE 0.02;t₁₂₄=−1.79;P=。08;科恩d=0.32, 127/133, 95.5%)。

讨论

主要研究结果

这项研究的目的是调查是否有可能通过积极的建议来提高身体活动智能手机干预的有效性。我们证明，积极的建议影响了参与者对应用程序有效性的期望;然而，它们的效果不足以影响主要结果;也就是每天的步数。此外，积极建议组的参与者报告说，在干预期间，他们对应用程序的预期参与度高于对照组的参与者，疲劳程度也较低。

智能手机干预在帮助人们增加身体活动方面是有效的。两组参与者在干预期间比干预前平均多走1500步(SD 2517)。此外，有一些迹象表明，随着干预的进行，参与者增加了每天的步数;然而，尽管有显著的效应，但效应大小可以忽略不计。这一结果是意料之中的，因为干预包括了健康行为改变的跨理论模型的各个阶段，该阶段始于对行为改变的预思考和沉思，并以维持新的健康行为结束[34］．多项研究表明，基于健康行为改变的跨理论模型的体育活动干预可以有效地增加不同人群的体育活动[42-44］．此外，基于不同理论方法的多种智能手机干预措施被证明可以增加应用程序用户的身体活动[2，3.，8］．因此，我们的研究结果与文献一致，表明心理智能手机干预可以成功地帮助人们增加身体活动，至少在短期内是这样。

本研究主要考虑两项结果:参与者对干预有效性的期望以及干预期间采取的步骤数。我们假设积极的建议会改变参与者的期望，而这些增加的积极期望反过来会导致更好的干预结果——增加每日步数。这个模型在文献中经常被描述为安慰剂效应的工作机制:积极的建议诱导期望的变化，而积极的期望导致更好的治疗结果[16］．我们主要假设的第一部分得到了数据的支持:积极建议组的参与者确实报告说，他们期望应用程序比对照组的效果更好。虽然期望分数的变化相当小，但效应量显示为中等。这一结果与关于安慰剂效应的广泛文献一致:多项研究表明，医疗保健专业人员或实验者给出的积极建议可以改变人们对各种疼痛干预措施的期望[45，46]，痒[47，48]，恶心[49，50]，以及许多其他症状[13，15，51］．

尽管期望操纵有效，但改变参与者的期望不足以影响他们的每日步数:在干预的21天内，两组之间的步数没有发现差异。此外，对应用程序有效性的期望并不能预测参与者所走的步数，这可能解释了为什么期望的增加不会影响步数。这些结果并不支持我们的主要假设，也与有关治疗预期的文献相矛盾[52］．出现这种矛盾的原因可能是我们的研究不同于其他使用积极建议的研究。大多数研究都应用了积极的建议，侧重于减轻症状的干预措施，如减轻疼痛的干预措施[45，46]，痒[53]，或恶心[54]或改善情绪[55，56］．我们在研究中使用的干预措施旨在改变人们的行为习惯，并要求用户积极行动。在缓解主观症状(如疼痛)的干预措施和以改变行为为目标的干预措施中，可能涉及不同的机制。我们可以推测，期待一个全面的积极变化不足以具体到改善这些干预的结果和影响他们的行为。根据Bandura的自我效能理论[57，58]，自我效能信念必须非常具体才能成功地影响行为，而我们给出的建议可能缺乏这种特异性。关于干预的一般性积极建议可能对一些主观结果更有效，比如疲劳，在我们的研究中，疲劳受到积极建议的影响。在之前通过积极建议影响食物选择的研究中也发现了类似的结果:建议会影响主观的食物偏好，但不会影响实际的行为。59，60］．我们的研究结果证实了多项研究的结果，这些研究表明，对于各种安慰剂治疗的积极建议可以减轻疲劳。19，61］．

对于无法确认步数的主要假设的另一种解释可能是本研究中给出的建议非常小。参与者在研究开始时收到一份带有建议的传单，并在干预的第8天和第15天简要重复了这些建议。如果建议更广泛，并在干预本身的每个元素中实施，它们可能会影响参与者的身体活动。

最后，有可能这些建议并没有影响步数，但其他一些参数反过来可能会影响疲劳。该应用程序无法测量参与者的步行速度或步行频率。如果积极的建议影响了步行的速度和频率，那么这些体力活动的增加可能会使实验组在干预期间减少疲劳。

限制

这项研究的几个局限性必须加以解决。首先，这项研究的参与者是年轻健康的大学生。这一群体对使用手机应用程序非常熟悉和自如。因此，这项研究中发现的影响可能不适用于年龄较大和技术经验较少的人群。可能是年龄较大和技术经验较少的人会发现应用程序更难使用，因此，应用程序在这类人群中的效果可能较小。与此同时，我们的主要目标是调查积极建议对应用程序有效性的影响，并且没有特别的理由假设计算机素养会影响这些影响。其次，本研究还可以包括其他几个对照组，以使我们能够更全面地解释结果。例如，这项研究没有包括一个不参与干预的对照组。这一事实使我们无法确定干预是否是参与者身体活动增加的原因。但是，由于主要目的是研究积极建议的效果，我们省略了这个实验条件。 In addition, a comparison was made between a group that received a flyer with positive suggestions and a group that received a flyer with technical details. The possibility remains that the fact of presenting users technical versus nontechnical information influenced the study results on top of the presentation of positive versus neutral information. Future research should investigate whether nontechnical neutral information about eHealth apps differently influences their effectiveness. Another limitation of the study is that no follow-up was performed. It remains unknown whether participants would maintain the new habits that they developed during the intervention or the positive effects would disappear quickly after the intervention’s end. Moreover, a selection bias may have been present in this study. It was advertised as a study aimed at increasing physical activity, which might have attracted participants who were already interested in changing their lifestyles. It would be interesting to see how effective the suggestions would be in less motivated or less healthy participants, particularly as a recent meta-analysis of the effects of physical activity eHealth interventions demonstrated that clinical and at-risk groups benefit from such interventions more than healthy volunteers [8］．这项研究的另一个可能的局限性是，社会可取性可能在我们发现的影响中发挥了作用。研究表明，在与会话代理的交互中也会出现类似的社会期望模式，特别是当会话代理更像人类时[62，63］．该研究应用程序利用人类线索与参与者建立更好的工作联盟。然而，这可能会促使参与者在主观自我报告方面给出更符合社会需求的答案。

结论

总之，我们已经证明，关于移动健康应用程序有效性的简短积极建议可以影响用户的期望，减少他们的疲劳。虽然对主要结果(步数)没有发现影响，但这些结果表明，在应用程序的描述中添加积极的建议可能会使电子健康干预受益。建议是一种简单有效的方式，可额外提高电子卫生干预措施的有效性，不需要额外的时间或投资。未来的研究应该集中在优化这些建议，以实现实际的行为改变。