手机对身体活动和饮食行为改变的自动个性化反馈:一项针对成年人的随机对照试验

介绍

2010年，世界卫生组织(世卫组织)将63%的死亡归因于基本上可以预防的非传染性疾病[1]。美国疾病控制与预防中心(CDC)估计，在美国，通过改变饮食、锻炼和肥胖，每年可以避免近20万人死亡。2]。仅肥胖一项就影响了超过三分之一的成年人[3.]并使美国每年的医疗保健费用增加约1900亿美元[4]。

针对饮食和身体活动的手机应用程序和可穿戴设备的开发迅速增加。虽然缺乏一些商业应用程序和基于传感器的技术的经验数据[5，6]，许多科学研究探索了新技术支持的行为改变策略对身体活动的影响[7-9]。例如，Weegen等[10]应用行为改变理论设计了一款移动应用程序，该应用程序将身体活动日志的摘要可视化，并向临床医生提供反馈，以支持他们促进身体活动。事实证明，记录食物比追踪身体活动更困难、更繁重、更耗时。然而，最近的工作已经尝试使用基于图像的系统来减轻负担并提高食物跟踪的准确性，并取得了一些成功[11-13]。移动电话的无处不在和无处不在使他们有可能在正确的时间、正确的地点进行评估和干预。

尽管这些方法显示出希望，但在个人需要做出更健康的选择时，它们仍然无法提供具体情况、相关的、个性化的帮助。如何向用户提供每日体育活动和饮食摄入数据的科学研究也一直处于次优状态。迄今为止，反馈仅限于以下三类之一:(1)总体数字摘要[7，8，14(例如，步数)，(2)量身定制的建议，只适合个人特征(例如，年龄，性别)和整体行为(例如，每日消耗和燃烧的卡路里)[15]，以及(3)包含少量处理的可视化[16]。提供简单的目标，但没有关于何时、何地以及如何实现这些目标的可行见解。可视化大量最低限度处理的数据会产生一个相关的问题——信息过载，而没有明确的行为改变步骤。提供个性化的、即时的、可操作的指导，以促使对现有行为进行更小但更频繁的更改，可能会产生更大的影响。对身体活动和饮食摄入数据的深入研究可以揭示健康和不健康行为的模式，这些模式可以用于个性化反馈。以目前的技术，这可以自动实现，无需人工解释。

鉴于这些观察结果，MyBehavior的创建是为了解决当前移动健康干预措施的一些缺点。MyBehavior使用一种机器学习模型——多臂强盗(MAB)——根据个人的身体活动和仅从手机收集的饮食摄入数据，自动创建情境化和个性化的建议。此外，MyBehavior是为数不多的基于既定行为理论设计的移动健康应用程序之一。因此，该系统反映并融合了关于如何促进健康变化的行为科学知识的当代状态。基于有效的行为改变原则，MyBehavior提供了低成本的建议，要求对用户现有的重复行为进行小的改变。据我们所知，MyBehavior是第一个通过根据用户的环境和个人信息自动提供低成本建议来鼓励健康行为改变的移动健康应用程序。

本研究的目的是评估一种新的行为改变技术——我的行为——使用其他人建议的混合方法方法[17]。我们关注(1)用户是否有意遵循自动化的MyBehavior建议，(2)由自动化建议授权的行为改变的早期迹象，以及(3)参与者的反馈，这些反馈可以告知用户体验并指导自动化健康反馈系统的未来设计。

这项研究的结果将用于进一步完善MyBehavior的特征和信息，以优化其对身体活动和饮食摄入的影响。

方法

研究过程

为了评估MyBehavior的可行性，我们进行了一项为期3周、两组随机对照试验(RCT)。监督试验的团队包括MyBehavior应用程序的构建者和本文的作者。这个团队通过康奈尔大学校园周围的广告招募参与者。在广告中，我们邀请参与者测试一个新的移动应用程序，以帮助他们保持身体活动和食物摄入的轨道。招募仅限于拥有安卓手机并对健身感兴趣的参与者。在研究之前，研究人员安排了与参与者面对面的会议，并获得了他们的知情同意。参与者还完成了一项简短的调查，提供了人口统计数据和他们之前使用移动技术和减肥/健身应用程序的经验信息。所有参与者都参加了一个培训课程，他们在自己的主要手机上安装了MyBehavior，并接受了基本的指导，包括如何输入他们的性别、身高和体重，以及如何设定每周的体重目标(即减肥、保持体重或增加体重)。在第一周，用户每天都会收到他们的活动和食物摄入量的摘要。这个基准周旨在类似于许多现代移动健康应用程序[5，6却没有建议要改变哪些行为。

第一周后，实验人员对参与者进行了深入的半结构化访谈，了解他们迄今为止的经历，然后将参与者随机分为对照组和实验组。使用随机数生成器进行随机化。任务是单盲的，因为研究参与者不知道他们的情况，而实验者对任务有充分的了解。

我们向实验组提供了MyBehavior的个性化上下文敏感建议，而对照组则收到了从42条健康生活建议中生成的通用规规性建议，例如“散步30分钟”和“晚餐吃鱼”。一位经过认证的健身专家在遵循了美国国立卫生研究院的资源后，提出了这些通用建议[18，19]。一名外部营养顾问也审查了这些建议，以确保它们既健康又可实现。这42条建议的列表包括如下多媒体附录1在本文中。在接下来的两周，参与者继续记录他们的行为，并在手机上收到他们各自的建议。在整个研究期间，我们要求参与者完成基于网络的日常日记，以更好地了解他们遵循所提供建议的经验。在3周结束时，所有参与者都被要求完成一份关于所提供建议的简短调查，并再次接受面对面的采访，了解他们使用该应用程序的体验。

该研究获得了康奈尔大学机构审查委员会(1302003617)的批准，并在ClinicalTrails.gov (NCT02359981)上回顾性注册了一份方案。

参与者

我们招募了18名参与者，其中17人完成了研究。17名被试中，学生13人(76%)，专业人员4人(24%)，女性8人(47%)，男性9人(53%)，年龄均在18 ~ 49岁之间(平均28.3,SD 6.96，下四分位数[q₂₅]=22，中位数[q₅₀]=26.3，上四分位数[q₇₅] = 36)。所有参与者都报告了低至中等水平的身体活动。大多数参与者都是有经验的手机用户——9名参与者(53%)有过使用饮食日记的经历，6名参与者(35%)有过锻炼日志的经历。随机化后，各组参与者在积极生活方式水平和使用基于移动的自我管理工具的经验方面相似。我们的样本量是根据早期文献[17，20.，21这表明小型研究(n≥4)更适合测试像MyBehavior这样的新型行为改变技术的早期可行性。看到图1对于试验参与者的流动。

‎ 查看此图

MyBehavior移动应用

概述

MyBehavior由五个关键模块组成:(1)身体活动跟踪，(2)食物记录，(3)生活日志生成，(4)身体活动和食物聚类，(5)建议生成。

身体活动追踪

MyBehavior使用手机内部的加速度计和全球定位系统(GPS)传感器来持续跟踪个人的身体活动。从传感器数据和机器学习模型-高斯混合模型(GMM)中提取了一些统计特征(如均值、方差、过零率)[22] -用于将提取的特征值映射到四种最常见的日常身体活动-步行，跑步，静止(坐或站)和驾驶。这个流动传感框架的技术细节可在我们以前的工作[23]。对于无法自动识别的体育活动，MyBehavior从体育活动纲要中为用户提供了约800种不同体育活动的列表[24]。用户可以手动从列表中选择特定的体育活动，并记录该活动的开始和结束时间。除了跟踪身体活动外，MyBehavior还根据标准的任务代谢当量(METS)计算这些活动中消耗的卡路里[25]。

食物日志

用户从数据库中选择食物，并输入消耗的数量，以获得相应的卡路里摄入量。美国农业部(USDA) [26]维护着这个包含8000多种食物的数据库。

MyBehavior提供了几个特性，使用户更容易进行食物记录。首先，用户可以给他们的食物拍照。当用户在每晚9点30分被提示输入他们的食物信息时，这些照片可以作为记忆辅助图2）.其次，为了方便输入频繁重复的食物选择，MyBehavior允许用户输入重复使用前一餐的食物(例如，添加昨天的早餐)，并优先考虑之前选择的食物。最后，MyBehavior为用户提供了一个选项，可以直接输入预包装食品标签上的卡路里信息(例如，软饮料罐或酸奶杯)。

‎ 查看此图

创建人生航志的一代

MyBehavior生成一个“生活日志”，一个按时间顺序排列的活动和食物日志事件列表，如下所示图2。日志包括食物、自动感知的身体活动，以及作为生活事件手工记录的锻炼条目。为了创建简洁而有意义的活动条目，MyBehavior将数据处理为两个阶段。

在第一阶段，每1秒发生一次的活动预测每分钟被汇总并自动标记。在第二阶段，具有相同标签的连续活动被组合成单个条目。例如，如果一个用户静止了50分钟，MyBehavior将在生命日志中生成一个持续50分钟的“静止”活动条目。其他常见的生活事件包括在短时间间隔(如15分钟)内发生的一系列不同的活动。一个例子可能是这样的:步行到公共汽车站，等几分钟，乘坐公共汽车，下车后步行到办公室。在这个例子中，MyBehavior通过组合在15分钟窗口内发生的多个活动序列，在生活日志中生成一个“混合”活动条目(例如，从家乘公共汽车去上班)。

体力活动与食物聚类

为了使建议生成只传递给实验组，MyBehavior使用生活日志来聚类类似的身体活动和类似的食物。食物相似度匹配过程遵循一个简单的逻辑——根据相似的食物成分对食物进行聚类。例如，MyBehavior将检测用户是否重复使用含有相似成分的高热量汉堡，并形成“汉堡”集群，将相同或相似类型的汉堡组合在一起。

关于体力活动的聚类，人工跟踪的活动是基于类似于食物聚类的活动类型聚类的。自动跟踪带有位置信息标记的活动按照发生的地点聚集在一起。聚类是使用无监督机器学习技术来识别相似性的。由于室内定位精度通常可达150米，因此在150米范围内的任何静止活动都会聚集在一起。例如，用户在办公室的固定活动通常彼此非常接近，因此，MyBehavior将这些办公位置聚集到一个单元中，该单元表示用户在办公室的固定行为。步行和跑步活动更难聚类，因为MyBehavior需要确定两个活动轨迹是否看起来相似，是否发生在相似的位置。为了对相似的步行或跑步事件进行分组，MyBehavior使用了一种源自手写识别文献的算法[27]。在手写识别中，任务是找到与手写字母的形状或轨迹相匹配的规范字母。MyBehavior中的类似任务是找出新的步行轨迹(例如，从办公室到咖啡店)是否与以前的步行轨迹相匹配。图3显示了由该技术生成的一些集群。左边的图像代表了一个用户在办公室和家里的静止事件，而中间和右边的图像显示了两个不同用户生成的两个行走集群。中间的图像表示用户在办公室附近行走，而右边图像中的集群表示另一个用户每天从家中步行到公共汽车站。

‎ 查看此图

建议一代

对用户行为进行聚类后，MyBehavior使用exploit-explore策略根据用户过去的身体活动和食物摄入量自动生成建议。这种建议生成策略以当代行为科学理论为基础:(1)学习理论[28[2]社会认知理论[29]， (3) Fogg行为模型(FBM) [30.]。行为分析首先运用学习理论来评估一个人是否具备执行某种行为所需的技能[28]。如果是这样，下一步就是通过控制其前因(即环境和线索)和结果(即强化)来增加或减少目标行为的频率。例如，如果健康建议要求用户游泳，但用户不会游泳(即他从未获得技能)，则用户不会遵循该建议。另一方面，如果一个人以前做过某种行为，即使很少，也可以假设他的技能是在场的。Fogg行为模型通过创建工具来提示，将理论原理应用于技术设计少量付出即使动机很低也能触发的行为[30.]。因此，“我的行为”暗示(即提示或触发)一个人在特定的生活环境中经常做的频繁行为(例如，一次特定的行走)。这个小小的、不费力的改变只是增加了人们已经做过的行为的频率。有时候，“我的行为”建议人们做一些不常做的行为(比如骑自行车)，这些行为可以燃烧更多的卡路里，而且这个人已经表明他/她可以做，但很少做。社会认知理论[29]是应用最广泛的行为理论，该理论认为，为了主动发起一项行动，一个人需要一种自我效能感或自信，相信他/她能够完成这项行动。这个人骑自行车的频率越高反复在某种程度上上下文在自行车触手可及的地方，自我效能感越强，这种行为就越不费力，骑自行车就越有可能成为一种习惯。

MyBehavior利用频率原则通过建议用户重复执行的活动。此外，该算法倾向于那些不仅频繁，而且会导致更高卡路里消耗的行为。例如，在办公室里散步1分钟虽然很频繁，但在建议生成引擎中可能会被不那么频繁但燃烧卡路里更多的体育课所取代。另一方面，如果一个人很少去健身房，但每周有几次步行30分钟去上班，那么推荐引擎会把步行排在健身房之前，因为总热量损失-频率x卡路里每个实例燃烧-更高。

对于固定运动，推荐引擎会建议进行一些小的改变，比如每运动一小时步行3分钟。中最右边的图像图4显示了MyBehavior建议的优先顺序，与很少去健身房相比，简单地在用户长达一小时的固定活动中增加3分钟的步行可以燃烧更多的卡路里。

利用仅仅根据用户过去频繁的行为产生的建议可能不会产生足够的能量消耗来减肥。因此，MyBehavior会定期推荐消耗更多卡路里的活动，以吸引用户尝试和采用。探索建议针对不频繁的、高热量消耗的行为，用户可以把这些行为变成更有规律的活动。过去的行为只能不完美地预测未来的行为，如果被建议，用户可能会增加不频繁的活动。因此，如果用户经常在办公室附近散步，但有时会去健身房或走很长的路回家，MyBehavior就会利用这一知识，建议大多数时间在办公室附近散步，有时建议去健身房或走很长的路。如果新的建议被采纳，用户开始定期去健身房，那么MyBehavior就会学会将健身房作为一个利用建议，而不是探索建议。

在生成食物建议时，会根据利用-探索策略创建一组单独的建议。首先，MyBehavior区分正餐和零食。然后，它考虑了摄入频率和卡路里，类似于体力活动建议。因此，用户频繁的健康低热量膳食被利用并被鼓励继续下去。在探索过程中，建议随机选择过去不常见的低热量膳食/零食。在这里，我们的期望是用户会占用一些不频繁的用餐时间，并在未来让它们变得频繁。

每天开始时，MyBehavior会生成10个食物和10个活动建议。其中，90%来自用户最频繁的活动(即利用)，10%来自用户不频繁的行为(即探索)。这种90%利用和10%探索的分割是根据先前的文献启发式选择的[31]。这种基于人工智能研究的“利用-探索”策略，属于一个更广泛的决策框架，称为“多臂强盗”。31]。MAB模型已经被很好地研究用于建模动态系统，其中情况会随着时间的推移而变化。在我们的例子中，用户行为不是固定的，可以在MyBehavior的影响下随着时间的推移而改变图4(最左边和最右边的图像)。开发和探索策略有效地模拟了人类行为的这种动态特性。MyBehavior利用最常见的用户行为，促进能量平衡，以产生短期的健康收益。为了长期健康，它偶尔会探索不常见的高能量消耗行为，以发现用户将来可能重复的行为，从而实现持续的能量平衡，从而促进减肥。

图4显示了不同的生成建议，鼓励用户继续积极的活动(如低热量食物，散步或锻炼)，在某些情况下做出小的改变(如固定的活动)(最左边的图片)，或者避免消极的活动(如频繁的大餐)(第二张图片)。第一个和第三个图像图4显示针对两个不同用户的建议，第一张和最后一张图像显示针对同一用户的随时间变化的建议。一段视频演示了MyBehavior的不同功能多媒体附录2。

‎ 查看此图

措施

首先，我们使用建议评级调查来评估用户意图听从建议。参与者在为期三周的研究结束后完成了这项调查。参与者对这些建议进行打分，用1到5分来表示他们是否愿意并且能够在平均一天内完成建议的行动。5(非常同意他/她可以遵循建议)，1(非常不同意)。每个参与者都以在线形式对她/他在研究过程中看到的建议进行评分。实验组参与者对15个排名前8的体育活动和7个食物个性化的MyBehavior建议进行了评分。另一方面，控制组参与者对随机选择的10个通用规定性建议进行评分。此外，我们进行了定量测量行为改变对所有参与者使用每日身体活动和饮食摄入量的日志。

每日日记和深入的半结构化访谈测量了参与者对建议的反馈。对于日常日记，我们询问(1)他们是否看过MyBehavior的建议，以及(2)他们在看到建议后是否做出或想要做出任何改变。半结构化访谈涵盖了用户使用MyBehavior的总体体验和建议的质量。具体来说，我们询问了他们希望看到的意识、行为改变和任何软件改进。此外，在访谈中，我们提出了澄清性问题来解释从数据中观察到的定量结果。

分析计划

关于用户是否愿意遵循MyBehavior的建议，我们在一个安全的网站上收集了建议的评分，并使用RStudio对数据进行了分析。由于评分是有序量表，我们使用了非参数Mann-Whitney U检验[32]的统计显著性和效应大小。

我们使用MATLAB (MathWorks, Inc)统计工具箱和RStudio通过分析活动和饮食日志来测量行为变化的统计意义。对于每个用户，我们计算了平均步行长度和每件食物的卡路里。我们考虑了整个星期的中位数，而不是其他中心测量，因为它们不太容易受到虚假噪音或异常值的影响(例如，偶尔摄入非常高热量的食物或非典型的，异常长的步行)。我们没有在数据分析中报告跑步和手动记录练习的变化，因为它们通常需要更高的努力，并且在实验的3周内很难改变。在我们的分析中，我们首先考虑了积极变化的数量。一个积极的改变定义为在第一周到第三周内，膳食中卡路里的中位数呈下降趋势，或者步行距离呈上升趋势。我们使用Fisher精确检验[32来衡量“我的行为”所带来的积极变化的数量。由于样本量小，所以使用Fisher精确检验而不是卡方检验来检验独立性。我们使用了两个样本的独立学生样本t测试衡量总步行长度和每天消耗的总食物卡路里的统计显著性。我们计算步行距离的差异，而不是燃烧的总卡路里数，因为固定距离的步行会导致不同的人燃烧的卡路里量不同[25]。我们用科恩的d测量法计算了步行和饮食行为改变的效应大小。

最后，面对面的半结构化访谈被录音并转录。访谈笔录和日常日记然后使用主题分析将其分解为主题[33]。

结果

依从性

共有17名参与者完成了为期3周的研究，记录了近210万次身体活动，总计超过8000小时的身体活动。在同一时期，参与者用注释标注了近850张食物图片。

用户接受我的行为建议

在建议评分调查中，实验组(mean 3.4, SD 1.2, q₂₅= 2.75,问₅₀= 3,问₇₅=4)，使用MyBehavior建议，比对照组更倾向于遵循个性化建议(均值2.5，标准差1.6,q₂₅= 1,问₅₀= 2,问₇₅=4)打算遵循一般的建议。非参数Mann-Whitney U检验[32发现这种差异在统计上是显著的P<。0.001, 95% CI 0-1.001，效应值= 0.99)。

体育活动

图5以箱形图的形式显示实验组(左图)和对照组(右图)随时间的行走长度分布。在研究的每一周，我们计算不同用户的这些分布。为了便于解释，我们将每周的中位数与每个用户的绿色或红色粗线连接起来。绿线表示数据分析部分中讨论的正变化。红线表示反向的负面趋势。我们对行走长度分布使用了对数尺度，因为行走长度分布有重尾[34]。

在步行方面，实验组78%(7/9)的参与者(图5(左图)显示出积极的趋势，而对照组中75%(6/8)的参与者(图5(右图)呈现出负面趋势。Fisher精确检验发现，实验组和对照组之间的正变化数量之比具有统计学意义(P= . 05) (35]。此外，MyBehavior的用户在实验阶段(即从第一周到第三周)平均每天多走10分钟。然而，我们没有观察到对照组的任何变化。一个两个示例t测试发现步行时间变化的差异是显著的(t₁₅= 2.1,P=。055, 95% CI -0.23 ~ 19.052;d= 0.9)。

来自日常日记和面对面访谈的定性数据在很大程度上支持了这一定量结果。然而，我们也观察到了一些重要的微妙之处。首先，实验组的参与者将活动建议描述为可操作且与他们的生活相关。对照组的参与者很感激这些一般性的建议提醒了他们良好的习惯。然而，他们经常在将这些建议融入日常生活时遇到问题。以下引文摘自参与者的日常日记。

那些建议很好，提醒我不要在一个地方坐太久。
[实验组1号参与者]

锻炼建议让我想多做一些活动，少坐着不动。看到我静止了这么长时间，活动的频率很低，我想要做出改变。
[实验组5号参与者]

试着多从桌子上站起来……在我的日历上添加了“散步”的备注。
[实验组2号参与者]

我在平时走路的地方走了走。这个应用程序现在显示我走了26次。这个应用程序让我觉得我可以再走一次，因为我已经走了很多次同样的路。
[实验组7号参与者]

这些建议鼓励我在不久的将来做锻炼。它提醒我，有些食物比其他的好。
[对照组参与者1号]

它们似乎是很好的通用建议。你会读到的那种……比如健康杂志之类的
[对照组参与者4号]

一些MyBehavior用户报告说，即使是不常见的探索建议也是可行的，并表示有兴趣采取行动。例如，实验组7号参与者在他/她的日常日记中写道:

我看到了最近的公交车站的步行路线。通常，我开车去我的办公室。但是看到我在去公共汽车站的路上多走了几步，我就想到要经常这样做，并把它变成一种习惯。
[实验组7号参与者]

访谈结果还显示，处于不同积极生活方式阶段的参与者对建议的反应不同[15]。对于实验组来说，考虑做出改变的参与者表示，他们对自己的行为变得更加自觉，并且渴望遵循建议的改变(例如，开始在离家近的地方散步，或者继续在跑步机上跑步)。相比之下，可能保持积极生活方式的用户表示，这些建议反映了他们目前的健康行为，并认为它们是很好的强化。然而，在维护阶段的参与者希望通过偶尔的散步来改变他们在办公室里静止不动的行为。对于对照组，用户感到沮丧，因为这些建议并不总是可行的，也不符合他们的日常生活方式。保持积极生活方式的对照组用户不受一般建议的影响，并在几周内继续他们的常规行为。例如，对照组参与者#7和#8是维持参与者，他们的行为没有显示出消极趋势图5(右侧图片)。在研究的初始阶段，没有维持生活方式的对照组用户逐渐变得不那么活跃或选择更差的食物。

最后，在少数情况下，MyBehavior的建议很难遵循，或者没有反映用户的偏好。例如，一位用户在采访中报告说，他以前和朋友一起踢足球，但他的朋友最近搬到了一个新的地方。他不能再踢足球了，这是我的行为建议。此外，用户喜欢的活动通常不是我的首选行为建议。例如，一位用户喜欢游泳，尽管她不经常游泳。最后，实验组8号参与者(受试者8)图5(左图，有负面趋势)报告说，由于研究期间的工作截止日期迫在眉睫，他们无法遵循我的行为建议。

‎ 查看此图

饮食行为

图6以箱形图的形式显示实验组(左图)和对照组(右图)的膳食卡路里分布。在每周的研究中，我们计算了不同用户的这些分布。与步行行为图表类似，我们将周内的中位数结合起来，以显示每个用户的积极或消极变化。

在热量摄入方面，实验组中78%(7/9)的参与者表现出积极的趋势图6对照组中57%(4/7)的参与者表现出消极趋势(图中的红线)图6(右图1参与者数据不足)。然而，Fisher精确检验发现这是不显著的(P=酒精含量)。对于对照组参与者，我们还发现他们每天的平均卡路里中位数增加了211卡路里(平均值211.7，标准差263.07,q₂₅= -31.25,问₅₀= 187.5,问₇₅=429.35)从第一周到第三周。相比之下，实验组平均每天减少近100卡路里(平均-99.3,SD 481.27, q₂₅= -527.83,问₅₀= -37.3,问₇₅=87.5)从第一周到第三周。这种变化在两个样本中不显著t测试(t₁₂= 1.3234,P=。21，95% CI -201 to 822.96,d= 0.72)。

在定性反馈中，与体育活动建议类似，实验组用户发现这些建议更具可操作性，并报告说，与发现这些建议很难实现的对照组用户相比，他们做出了更多的改变。这些反馈可以从参与者的日常日记中得到说明。

我吃饭的照片对记录我过去吃了什么非常有用。人们往往会忘记自己的习惯，但在这种情况下，照片是一个很好的方式，把你的饮食历史展现在你的眼前。
[实验组9号参与者]

这些建议提醒我，有些食物比其他食物好。
[对照组参与者1号]

它建议我吃一些家里没有的东西。
[对照组参与者4号]

这些建议没有考虑到我的饮食限制。
[对照组5号参与者]

与活动探索建议类似，MyBehavior用户经常发现探索建议是可操作的。

我只是想看看那是什么……这些人似乎学会了一些“好的”饮食习惯。
[实验组4号参与者]

最后，用户报告说，在采访中手动记录食物是耗时的。然而，他们也报告说，这种手工过程使他们更了解自己的食物。因此，控制组参与者报告说，他们在没有个性化建议的情况下改变了饮食。

‎ 查看此图

讨论

主要研究结果

据我们所知，MyBehavior是第一个自动提供与用户生活方式相关的个性化建议的系统。在定量结果中，与对照组相比，MyBehavior用户表现出更好的行为变化。面对面访谈和日常日记的定性测量证实，这些建议确实被认为是对他们生活的个性化。这种在定量行为改变和定性用户感知方面的优势的一致性使得MyBehavior的自动健康反馈方法非常有前途，并为纵向研究和未来对自动化个性化方法的调查提供了支持。

具体来说，在我们的评估中，用户认为他们可以遵循MyBehavior个性化建议，而不是控制条件下的建议。结果还显示，MyBehavior用户的行走行为发生了显著变化。在定性测量中，用户报告的MyBehavior活动建议更具可操作性。有趣的是，尽管用户定性地报告饮食建议更具可操作性，但饮食行为的变化在两组之间并没有发现差异。这一发现可能是由于手动记录食物摄入的性质足以改变行为。手工记录食物的过程可能会产生自我意识和反思。事实上，过去的研究表明，简单的记录可以改善一个人的食物消费行为[16]。然而，粮食采伐是一个艰巨的过程，通常很难长时间持续下去。因此，我们需要更长的研究来确定食物记录和建议是否有助于持续的行为改变。此外，我们的研究样本较少，统计能力不足。因此，需要更大规模的试验来进一步阐明食物记录和这类建议对饮食行为的影响。

尽管如此，MyBehavior为健康反馈开辟了一个独特的空间。这一领域的早期研究主要集中在整体行为[7，14]，裁剪[36]，或自我追踪[33没有深入的数据分析和个性化。MyBehavior采用数据挖掘方法，从记录的数据中自动找到上下文化的建议。这种自动化方法还减轻了用户自我分析数据的负担。因此，“我的行为”与以往文献中发现的自我监控程序明显不同，在这些程序中，用户自己决定如何自己做出改变。33]。MyBehavior建议与用户现有的行为相关，使它们在用户被告知时可操作在哪里和当对它们采取行动。此外，根据每个用户的日常和生活方式，为他们生成独特的建议集。关于N-of-1方法的文献[37，38，39认为这种个性化的方法应该比一刀切或量身定制的建议方法产生更好的效果[15]，向具有相似特征(例如年龄、性别、每日热量摄入和损失)的用户提供类似建议。

尽管这个方向很有前途，但MyBehavior的自动数据驱动个性化方法也带来了自己的挑战。除了自动记录外，手动记录食物和锻炼对于MyBehavior的正常运行是必要的。定性访谈显示，手工记录食物和运动往往是繁重的。未来的迭代可以使用基于众包的半自动方法来减少手工食物日志的负担[12]。最后，访谈还强调了考虑用户生活和偏好中上下文变化的重要性。因此，让用户控制他们想要遵循的建议是被广泛接受的个性化所必需的[7]。

限制

一个重要的限制是研究的短期和小规模性质，这使得很难得出明确的结论。然而，这项研究帮助我们确定了MyBehavior的潜在功效，并为未来的部署确定了设计改进。事实上，Klasanja等人[17认为，这种短期研究与我们的研究具有相似的评估目标，通常更适合于新的和未经测试的行为改变技术，如MyBehavior。另一个限制是，非个性化的建议有时过于具体，例如，“遛狗”。在日常日记中，一些用户报告说，他们无法遵循这个建议，因为他们没有养狗。在设计通用建议时，我们试图找到大多数用户可以遵循的建议，而不是过于通用。然而，总会有例外，当一个建议不适合一个人的生活方式。

尽管存在这些限制，但该试点研究证明了使用自动化个性化可操作健康反馈的潜力。随着我们进入一个越来越多的人通过手机和其他技术跟踪自己健康状况的时代，我们相信MyBehavior的自动化技术具有巨大的潜力，可以提供反馈，用于大规模改善健康结果。

结论

MyBehavior是第一款可以根据用户的环境和个人信息自动提供低成本建议，鼓励健康行为改变的移动健康应用程序。试点用户研究证明了MyBehavior的可行性和可接受性。用户认为MyBehavior的个性化、情境化建议比一般的规定性建议更具可操作性，并且需要更少的努力来实现。行为改变的初步证据显示，很大比例的MyBehavior用户进行了更多的体育锻炼，但对饮食行为的潜在影响尚不清楚。增加更多的人为控制的建议和提供更容易的记录机制的食物和锻炼被认为是关键的改进领域。未来的方向应包括解决已确定的系统缺陷，并在更大的纵向试验中测试其在促进健康行为改变方面的有效性。