Hardlopen doe je niet alleen
Een onderzoek naar de onderliggende mechanismes die invloed hebben op het
gebruik van hardloop apps
Master scriptie Persuasive Communication Gratuate School of Communication
Naam: Rifka Boot
Studentnummer: 10195564 Docent: Gert-Jan de Bruin Datum: 26-10-2017
Abstract
Een goede gezondheid is voor veel mensen belangrijk. Een factor die hier een positieve bijdrage aan kan leveren is hardlopen. Daarom is het van belang mensen te motiveren om te gaan hardlopen. Uit eerder onderzoek is gebleken dat het gebruik van hardloopapps een effectieve manier is om mensen te laten hardlopen. Echter, de totale duur van het gebruik en de intentie om de app te blijven gebruiken blijken niet optimaal te zijn. Hiervoor is het noodzakelijk om de verwachtingen die mensen van de app hebben ook daadwerkelijk waar te maken. Dit kan mee worden bewerkstelligd door de juiste Behavior Change Technieken (BCT) te gebruiken. Huidig onderzoek bestudeert de onderliggende mechanismes met betrekking tot de verwachtingen en het waarmaken ervan aan de hand van reeds uitgevoerd onderzoek naar gebruikte BCT. Dit is gedaan middels een online survey (N = 241), waaruit is
gebleken dat de vier onderzochte BCT geen invloed hebben op de duur van het gerbuik van de app en op de intentie om de app te blijven gebruiken.
Kernwoorden: hardloop apps, Behavior Change Technieken, Uses and Gratifications Theory, goal setting, self-monitoring, social support, feedback.
Inleiding
Over de laatste decennia is het aantal meerderjarige Nederlanders met overgewicht flink gegroeid. Waar dit in 1990 nog ongeveer 33% was, had in 2016 49.2% van de Nederlandse bevolking boven de achttien jaar een BMI van 25 of meer (Voedingscentrum, 2017). De graadmeter voor het bestaan van overgewicht (Volksgezondheid en zorg, 2017. - a). Dit zijn schokkende cijfers en daarnaast een ontwikkeling die leidt tot een toename van de kans op hart- en vaatziekten en kanker (WHO, 2016). Niet alleen ónze maatschappij kampt met overgewicht, het is een probleem dat wereldwijd bestaat. Onderzoek van NCD-RisC (2016) voorspelt dat, wanneer er niks verandert en de sterke groei doorzet, in 2025 een vijfde van de wereldbevolking leidt aan overgewicht. Deze cijfers laten de noodzaak voor effectieve en betaalbare interventies zien. Interventies – oftewel een doelbewuste ingreep om een zaak te verbeteren - voor overgewicht kunnen gericht zijn op verschillende factoren, zoals
persoonsgebonden factoren, omgevingsfactoren en leefstijl (volksgezondheid en zorg, 2017. - b) Belangrijke interventies zijn die, waarin de bevolking gestimuleerd wordt om genoeg te bewegen (WHO, 2017), bijvoorbeeld door te gaan hardlopen (Lee et al., 2017). Beweging, en met name hardlopen, zou namelijk de kans op diabetes, hart- en vaatziekten en een hoge bloeddruk reduceren (Swain & Franklin, 2006; Rankin, Rankin, MacIntyre & Hillis, 2012; Williams & Thompson, 2013). Ook recentelijk onderzoek van Lee et al. (2017) bevestigt dat mensen die
regelmatig hardlopen een betere gezondheid hebben en gemiddeld langer leven dan mensen die dit niet doen. Een goede reden om een sport als hardlopen te stimuleren.
Ter stimulering van hardlopen, wordt veel gebruik gemaakt van online interventies. Dit heeft te maken met de opkomst van verscheidene nieuwe media en technologieën die online interventies faciliteren. Met een smartphone op zak, is een hele digitale wereld met bewegingsinterventies binnen handbereik. Typ ‘running’ in het zoekveld van elke willekeurige appstore en de resultaten van (hard)loopapps zijn overweldigend (Hebden, Cook, van der Ploeg & Allman-Farinelli, 2012). Dit zijn mobiele applicaties die de hardloper helpen bij het rennen. Een app registreert bijvoorbeeld activiteiten van de gebruiker door middel van de global positioning functie (GPS), of geeft feedback over de loopprestaties (Vos et al., 2015). Ook wordt doorgaans nauwkeurig weergeven hoeveel calorieën er zijn verbrand tijdens het lopen, naast registraties als de gemiddelde snelheid en de gelopen afstand.
Recent onderzoek toont aan dat hardloopapps een belangrijke invloed hebben op het stimuleren van hardlopen (Vos, Janssen, Goudsmit, Lauwerijssen & Brombacher, 2016).
Aangezien apps een belangrijke stimulus zijn om in beweging te komen is er veel onderzoek gedaan naar werkende interventies (Higgins & MPhil, 2016; Duncan et al., 2016; Ernsting et al., 2017; Bennet & Glasgow, 2009). Verscheidene onderzoeken wijzen op positieve resultaten wat betreft gezondheidsverandering met behulp van apps (Kranz et al., 2013; Mulas, Carta, Pilloni & Boratto, 2013). Maar uit onderzoek blijkt ook dat er nog geen sprake is van een volledig effectieve interventie met behulp van alleen een app (Bort-Roig, Gilson, Puig-Ribera, Conreras & Troist, 2014; Van Mechelen, Van Mechelen & Verhagen, 2014). Door het grote aanbod aan hardloopapps stappen mensen vaak snel over van de ene naar de andere app, op het moment dat niet wordt voldaan aan hun verwachtingen (Van Velsen, Beaujean & Van Gemert-Pijnen, 2013). Daarnaast is het gebruik van hardloopapps geen garantie om mensen in beweging te krijgen en houden. Zo wordt de app vaak tijdelijk gebruikt, wordt snel overgestapt en wordt regelmatig de app na korte tijd verwijderd (Klenk, Reifegerste & Renatus, 2017; Hebden et al., 2012).
Het probleem is dat hardlopers de intentie om een bepaalde app te gebruiken verliezen en dat de app niet langdurig wordt gebruikt (Mattila et al., 2010). Huidig onderzoek veronderstelt dat dit komt omdat op het moment dat de verwachtingen door de app niet worden waargemaakt dit een negatieve invloed heeft op enerzijds de duur van het gebruik en anderzijds de intentie om de app te blijven gebruiken. Om dit mechanisme te verklaren wordt de Uses and Gratifications Theory (UGT) gebruikt. De UGT bestudeert de achterliggende motieven van mediagebruikers wat betreft bepaalde keuzes voor verscheidene media (Dainton, Zelley, 2011, pp. 162-168).
Toegepast op deze studie wordt met een UGT bril gekeken naar de verwachtingen die hardlopers hebben van een hardloopapp en het waarmaken hiervan. Gebruikers verwachten dat een app ervoor zorgt dat zij de discipline behouden om hard te lopen (Lee & Cho, 2016). Om deze verwachtingen waar te maken worden er door de makers van de app Behavior Change Technieken (BCT) aan de app toegevoegd.
Deze scriptie tracht aan te tonen dat het waarmaken van verwachtingen van appgebruikers een
positieve invloed heeft op de het gebruik van de app. Deze positieve invloed zal gemeten worden door enerzijds de duur van het appgebruik, en anderzijds de intentie om de app te blijven gebruiken.
Heeft een match tussen de verwachting van het gebruik van een app en het waarmaken van die verwachting, een positieve invloed op zowel (a) de duur van het gebruik van de app als op (b) de intentie op de app te blijven gebruiken?
Theoretisch kader Goal setting
Goal setting (Locke & Latham, 1991) is een methode waarbij concrete doelen worden gesteld en beschreven door het individu of door een bij het individu betrokken persoon, om bepaald gewenst gedrag te stimuleren. Het zelf opstellen van doelen en het streven naar een concreet doel zorgt vervolgens voor extra intrinsieke motivatie ten aanzien van het gewenste gedrag (Lock en Latham, 1991; Normand, 2008). Uit onderzoek is gebleken dat het stellen van doelen een belangrijke factor is als het gaat om het stimuleren van gedragsverandering omdat de betrokkenheid in die gevallen hoger is (Pearson, 2012; Consolvo, Klasnja, McDonald & Landry, 2009). Daarnaast leidt doelstelling tot (nog) betere prestaties (Lock & Latham, 1991; Abraham & Michie, 2008), een verklaring voor het feit dat het veel wordt gebruikt bij gedragsveranderingsinterventies (Wack, Crosland & Milenberger, 2014; Consolvo et al., 2009; Shilts, Horoithz, McDonald & Townsend, 2004; Hayes & van Camp, 2015). Deze interventies zijn zowel binnen zakelijke context als op het gebied van gezondheid in te zetten (Dennison, Morrison & Yardley, 2013; Direito, Jiang, Whittaker & Maddison, 2015).
Verschillende onderzoeken hebben aangetoond dat het beste resultaat behaald wordt als het doel door de persoon zelf gesteld wordt (Klein, Wesson, Hollenbeck & Alge, 1999) en hij of zij zich daarbij volledig aan dit doel toewijdt (Shilts et al., 2004; Wang, Egelandsdal, Amdam, Almli, Oostindijer, 2016).
Goal setting wordt vaak in combinatie met bijvoorbeeld feedback en/of self-monitoring gebruikt om het beste resultaat te behalen (Aittasalo, Miilunpalo, Kukkonen-Harjula & Pasanen, 2006; Normand, 2008; Wack et al., 2014). Hieronder wordt verder ingaan op deze en een aantal andere methoden die - al dan niet in combinatie met elkaar - worden gebruikt.
Self-monitoring
Self-monitoring betreft een methode ten behoeve van gedragsveranderingsinterventies (Bandura, 1991). Daarin wordt self-monitoring – in lijn met de letterlijke vertaling - omschreven als het bijhouden van het eigen gedrag. Het monitoren van het eigen gedrag zorgt voor meer bewustzijn ten aanzien van het gewenste gedrag (Bandura, 1991). Daarnaast blijkt dat het systematisch observeren en recoderen van doelgerichte eigen gedragingen kan leiden tot betere prestaties (Kanfer, 1970).
Recente gegevens wijzen erop dat sporters graag hun prestaties monitoren (Baart de la Faille-Deudekom, Dallinga, Vervoorn, 2014; Peng, Kanthawala, Yuan & Hussain, 2016) en dat self-monitoring binnen de sportwereld tot betere prestaties leidt (Dunn et al., 1999; Munson & Consolvo, 2012). Het bijhouden van specifieke individuele gedragingen kan onder andere door het bijhouden van een dagboek (Abraham & Michie, 2008). Het volgen van het individuele gedrag leidt, naast de al eerder genoemde bewustwording, tot meer inzicht, controle en de mogelijkheid tot evaluatie van het eigen specifieke gedrag (Burke, Swigart, Warziski Turk, Derro & Ewing, 2009). Inzage en
bewustwording van persoonlijke specifieke prestaties heeft vervolgens een positief effect op de uiteindelijke sportprestaties (Duncan et al., 2016).
Social support
Naast goal setting en self-monitoring is ook social support een veelgebruikte techniek in
gedragsveranderingsinterventies. Verscheidene onderzoeken hebben aangetoond dat sociale support van bijvoorbeeld sportmaatjes of sportclubs belangrijk is ten aanzien van het bevorderen van hardloopprestaties (Giles-Corti & Donovan, 2002; Van der Horst, Chin, Twisk & Van Mechelen, 2007; Anderson-Bill, Winett, Wojcik, 2011). Hierbij is vooral het aanmoedigen van succes van belang gebleken (Hebden et al., 2012). Uit onderzoek van Brouwer (2013) komt naar voren dat sociale validatie een van de krachtigste instrumenten is om gedrag te veranderen.
Naast positieve aanmoediging toont onderzoek aan dat mensen zich graag met anderen vergelijken en desbetreffend gewenst gedrag vervolgens willen kopiëren (Hebden et al., 2012; Luszczynska,
Gibbons, Piko & Tekozel, 2004; Strickhouser & Zell, 2015). Dit ligt in lijn met het feit dat interpersoonlijke relaties binnen de sportwereld belangrijk zijn voor de bevordering van prestaties (Sheridan, Coffee & Lavalee, 2014; Heath et al., 2012). Daarnaast zorgt het voor het ontstaan van natuurlijke competitie; wederom een stimulans om door te zetten (Pagoto & Bennet, 2013). Feedback
De laatste techniek ten behoeve van dit onderzoek is het inzetten van feedback. Ook dit is een vaak gebruikte techniek bij het veranderen van gedrag (Michie, Abraham, Whittington, McAteer & Gupta, 2009; Shuger, 2011) en motivatie (Reynolds, 2016). Verscheidene studies formuleren effectieve feedback als het geven van informatie op basis van gedragingen uit het verleden om te zorgen voor een positieve en wenselijke vooruitgang (Archer, 2010; Abraham & Michie, 2008; Helander, Kaipainen, Korhonen en Wansink, 2014). Recent onderzoek van Voth, Oelke en Jung (2016) concludeert dat gepersonaliseerde feedback het meest effectief is en dus tot de beste resultaten leidt.
Ook de techniek feedback lijkt – vooral in combinatie met andere technieken- tot betere hardloopprestaties te leiden. Dat een combinatie van technieken erg krachtig kan zijn laat het onderzoek van Bandura en Cervone (1983) zien. Uit dit onderzoek komt naar voren dat de
desbetreffende prestatie twee keer zo groot is als feedback en goal setting gelijktijdig worden ingezet ten behoeve van een bepaalde prestatie dan wanneer slechts één van de twee technieken wordt ingezet. Behavior Change Technieken in interventies
Alle vier de besproken technieken worden veel gebruikt in interventies waarbij het gaat om het veranderen van gedrag (Abraham & Michie, 2008), in dit geval hardloopprestaties. De meta-analyse van Michie et al. (2009) toont de effectiviteit aan van interventies die gebruik maken van Behavior Change technieken om te zorgen voor meer fysieke activiteit. Ook de meta-analyse van Greaves et al. (2011) bevestigt deze uitspraak en stelt dat de fysieke prestaties in deze gevallen groter zijn. Michie en collega’s (2013) hebben een hiërarchisch model opgesteld bestaande uit 93 BCT. Hierin bespreken zij de effectiviteit van de BCT op het bevorderen van fysieke activiteiten (Hagger, Keatley & Chan,
2014). Er moet echter nog veel onderzoek gedaan worden om nòg betere interventies te ontwikkelen (Michie et al., 2013).
Vooral onderzoeken die zich specifiek richten op het effect van BCT op het hardloopgedrag en het gebruik van hardloopapps zijn summier. Het meeste onderzoek kijkt naar het effect van BCT op fysieke activiteiten in het algemeen, terwijl er weinig gespecificeerd onderzoek heeft plaatsgevonden dat zich richt op het effect van deze technieken op hardloopgedrag en het gebruik van hardloopapps. Met dit onderzoek wordt geprobeerd derhalve van de gebaande paden af te wijken en te kijken naar het effect dat het toevoegen van BCT aan een app heeft op het gebruik van de desbetreffende hardloopapp. Self-monitoring meest effectief
Eerder is het belang van het combineren van verschillende interventies al benoemd. Uit een meta-analyse van behavior change interventies is gebleken dat de interventie die op zichzelf de grootste significante invloed heeft op het veranderen van gedrag self-monitoring is (Michie et al., 2009). Ook wanneer verschillende interventies gecombineerd worden blijkt dat self-monitoring het meest effectief is. Lee en Cho (2016) tonen in hun onderzoek aan dan self-monitoring wordt gezien als een
basisfunctie die gebruikers graag in een app geïntegreerd zien en daarom behoort tot de meest
gebruikte BCT die in apps wordt gebruikt (Higgins & MPhil, 2016). Dit toont aan dat self-monitoring van cruciaal belang is bij het veranderen van gedrag (Michie et al., 2009; Dunn et al., 1999). Een conclusie die steun vindt in verschillend ander onderzoek. De studie van Olander et al., (2013) toont bijvoorbeeld aan dat alleen self-monitoring en social support van grote invloed zijn bij het bevorderen van sport gerelateerde prestaties. Verder is gebleken dat self-monitoring noodzakelijk is om mensen te motiveren om door te gaan en het individuele gedrag te veranderen (Butryn, Phelan, Hill & Wing, 2007; Burk et al., 2011).
Behavior Change Technieken in apps
Nieuwe technieken en media hebben ervoor gezorgd dat gedragsveranderingsinterventies
tegenwoordig in de vorm van apps worden ontwikkeld. BCT worden in de app geïntegreerd om ervoor te zorgen dat de gebruiker blijft hardlopen en gemotiveerd wordt om de app daarbij te blijven
Corbett, Hogan, Duggan & McNamara, 2016; Consolvo et al., 2006). Onderzoek van Middelweerd en collega’s (2014) toont aan dat een app gemiddeld vijf BCT bevat en dat de meest gebruikte self-monitoring, feedback en goal setting zijn. Een goed werkende app bestaat uit meerdere BCT
(Schoeppe et al., 2016). Ook onderzoek van Edwards et al. (2016) toont aan dat combinaties van BCT positieve uitkomsten hebben wat betreft de prestaties. De meest gebruikte combinatie blijkt self-monitoring en feedback, deze komt in 94% van de onderzochte apps voor.
Het probleem is echter dat niet elke gebruiker langdurig trouw blijft aan een gekozen app (Van Velsen et al., 2013). Een belangrijke oorzaak hiervan is het grote aanbod van apps of de complexheid ervan. Uit kwalitatief onderzoek, bestaande uit zes focus groepen en vijf individuele gesprekken, werd geconcludeerd dat gebruikers stoppen met een app als deze niet doet wat zij ervan verwachten. De meest genoemde issues hebben te maken met de complexiteit van de app en het onvoldoende bieden van motivatie, hij is bijvoorbeeld te gecompliceerd (Peng et al., 2016).
Daarnaast bestaat de kans dat hardlopers helemaal geen hardloopapp gebruiken. Een aantal doet dit niet omdat zij uit zichzelf de BCT al toepassen (McCally & Miden, 2002; Williams & French, 2011; Longenecker, Scazzero & Stansfield, 1994). Het feit dat BCT ook werken zonder app (Williams & French, 2011), zorgt ervoor dat apps geen noodzaak zijn voor betere sportprestaties. Uit hun meta-analyse, bestaande uit 27 interventies, bleek bijvoorbeeld dat persoonlijke feedback – zonder app - zorgde voor hogere effect sizes voor fysieke activiteiten.
Zoals hierboven geopperd kan een reden voor het niet gebruiken van een app zijn dat mensen zelf BCT toepassen. Dit onderzoek kijkt of het zelf toepassen van BCT ervoor zorgt dat mensen geen app gebruiken of dat deze app juist een toevoeging is aan het zelf toepassen. Door de volgende hypotheses te toetsen zal hier een antwoord op gegeven worden.
H1.1: Hardlopers die uit zichzelf doelen stellen hebben een kleinere kans om een mobiele hardloopapp te gebruiken dan hardlopers die dit niet doen.
H1.2: Hardlopers die feedback ontvangen hebben een kleinere kans om een mobiele hardloopapp te gebruiken dan hardlopers die dit niet ontvangen.
H1.3: Hardlopers die zelf hun prestaties bijhouden hebben een kleinere kans om een mobiele hardloopapp te gebruiken dan hardlopers die dit niet doen.
H1.4: Hardlopers die social support krijgen hebben een kleinere kans om een mobiele hardloopapp te gebruiken dan hardlopers die dit niet krijgen.
Het is gebleken dat BCT werken (Abraham & Michie, 2008; Greaves et al., 2011). BCT werken ook in apps (Middelweerd, et al., 2014; Schoeppe et al., 2016; Edwards et al., 2016), maar klaarblijkelijk niet optimaal. Mensen blijven niet trouw aan een app of het schort aan de intentie om een app te blijven gebruiken. Dit onderzoek verwacht dat het niet langdurig gebruik van een app of het gebrek aan intentie om de app te blijven gebruiken tot stand komt doordat de app de verwachtingen die gebruikers ervan hebben niet waarmaakt. De theorie die kijkt naar het waarmaken van verwachtingen betreffende mediakeuzes is de Uses and Gratifications Theory. Deze zal hieronder nader worden toegelicht.
Uses and Gratifications Theory
De Uses and Gratifications Theory ontstond rond 1940 en betrof vooral de media radio en televisie (Katz, 1959). De gedachte achter deze theorie is dat gebruikers bepaalde verwachtingen creëren van een medium, en als deze verwachtingen worden waargemaakt, zal desbetreffend medium - voor dat doel - gebruikt blijven worden (Rubin, 2009; Stafford, Stafford & Schkade, 2004; Ko, Cho & Roberts, 2005). Tegenwoordig zijn er veel meer media in gebruik, waarbij de gebruiker zelf kan kiezen welke informatie hij op welke manier tot zich neemt. Daarbij kan hij ook zelf informatie toevoegen aan dit medium (Ku, Chu & Tseng, 2013). De mediagebruiker wordt gezien als actieve keuzemaker
(Ruggiero, 2000; Katz, 1959; McQuail, 1997; Rubin, 2009). De theorie behelst echter meer dan alleen de verwachtingen. Het bestudeerd ook waarom bepaalde mediakeuzes worden gemaakt (Lee & Cho, 2016; Bryant & Oliver, 2009. pp. 526).
De theorie biedt dus een kader om de overwegingen van mediagebruikers bij het maken van keuzes met betrekking tot mediaselectie te begrijpen. Individuen hebben sociale en persoonlijke behoeftes die bevredigd kunnen worden door de media en deze behoeftes genereren verwachtingen
van de media (Rubin, 2009; Lee & Cho, 2016). Worden deze verwachtingen niet waargemaakt, dan kan gemakkelijk worden overgestapt naar een ander medium (Lee & Cho, 2016; Ernsting, 2017; Cowan et al., 2013) om het waarmaken van de verwachtingen te bewerkstelligen. Uit verschillende onderzoeken is gebleken dat de UGT erg succesvol is wat betreft het verklaren van verschillende motieven die zorgen voor het gebruik van bepaalde media (Lin, 1993; Sundar & Limperos, 2013).
Door de groei van nieuwe technologieën en nieuwe media wordt het steeds belangrijker voor de makers van media om de motieven voor mediakeuzes te begrijpen. Media worden steeds
interactiever en de gebruikers ervan krijgen meer vrijheid (Stafford et al., 2004; Ruggiero, 2000). Verschillende studies bevestigen dat het waarmaken van de verwachtingen een positief effect heeft op het gebruik van het medium. Whiting en Williams (2013) tonen dit aan in hun onderzoek naar sociale media. Uit vijfentwintig diepte-interviews, waarin gevraagd wordt naar tien verwachtingen van sociale media, blijkt dat een medium gebruikt blijft worden als de verwachting van de gebruiker uitkomt. Hetzelfde resultaat is te zien in het onderzoek van Klenk et al. (2017). Waar hun onderzoek op verschilde was dat ze specifiek keken naar het verschil tussen mannen en vrouwen wat betreft het gebruik van fitnessapps en de verwachtingen die zij daarbij hebben. Uit de online survey (N=171) en een mobile experience sampling methode (N=31) blijkt dat een app gebruikt wordt als deze app voldoet aan de verwachtingen die de gebruiker ervan heeft. Het maakt dus niet uit hoe het onderzoek gedaan wordt en met welk onderwerp, de uitkomst is hetzelfde.
De UGT wordt in huidige these gekoppeld aan het gebruik van hardloopapps ten behoeve van het rennen. Het is gebleken dat veel gedragsveranderingsinterventies gebruik maken van apps waarin BCT verweven zitten (Janssen et al., 2017; Edwards et al., 2016). Deze BCT worden in de apps geïntegreerd om ervoor te zorgen dat mensen de apps zullen blijven gebruiken (Janssen et al., 2017; Sullivan & Lachman, 2016). Er is echter nog weinig specifiek onderzoek gedaan naar het effect van BCT op het gedrag van mensen bij het gebruikmaken van hardloopapps. Deze these veronderstelt dat een app gebruikt blijft worden als er wordt voldaan aan de verwachtingen, die de gebruiker heeft van de app betreffende de geïntegreerde BCT. Eerder onderzoek heeft gekeken naar het effect van de verwachtingen van hardloopapps op de intentie om de app te blijven gebruiken (Lee en Cho, 2016). Echter is er nog geen onderzoek bekend waarin specifiek wordt gekeken naar het verschil tussen de
verwachtingen die de gebruikers hebben en het daadwerkelijk waarmaken van deze verwachtingen door de app en de invloed die dit heeft op appgebruik.
Duur van het appgebruik
De intentie die de makers van apps hebben met het toevoegen van BCT aan een app is dat de app langere tijd gebruikt zal worden. Uit verscheidene onderzoeken blijkt echter dat mensen snel stoppen met het gebruiken van een app die moet zorgen voor gedragsverandering. Een voorbeeld hiervan is het onderzoek van Helander, Kaipainen, Korhonen en Wansink (2014). Zij deden een retrospectieve analyse onder 189.770 respondenten die hun app gedownload hadden, waarbij self-monitoring centraal stond. Geconcludeerd werd dat het merendeel van de personen de app niet bleven gebruiken. Slechts 2.58% van de respondenten gebruikte de app langdurig actief. Dit onderzoek heeft niet gekeken of de verwachting die de gebruikers hadden, betreffende de mate waarin self-monitoring in de app
geïntegreerd was, is waargemaakt. Huidig onderzoek veronderstelt dat een hardloopapp langer gebruikt zal worden als aan de verwachtingen van de app, betreft de geïntegreerde BCT, wordt voldaan.
H2.1: Hoe groter de match tussen de verwachte en de waargemaakte doelen die worden gesteld hoe langer de hardloper de hardloopapp gebruikt heeft.
H2.2: Hoe groter de match tussen de verwachte en de waargemaakte beschikking over self-monitoring hoe langer de hardloper de hardloopapp gebruikt heeft.
H2.3: Hoe groter de match tussen de verwachte en de waargemaakte beschikking over social support hoe langer de hardloper de hardloopapp gebruikt heeft.
H2.4: Hoe groter de match tussen de verwachte en de waargemaakte feedback hoe langer de hardloper de hardloopapp gebruikt heeft.
Intentie om de app te blijven gebruiken
De intentie om de app te blijven gebruiken is een effect wat niet per direct gecontroleerd kan worden. Het gaat om een effect dat plaatsvindt in de toekomst. Maar gebruikers hebben op het moment van gebruik wel een verwachting of zij de app zullen blijven gebruiken, deze intentie wordt in dit onderzoek bestudeerd. Eerdere studies hebben al onderzoek gedaan naar de intentie om de app te blijven gebruiken. Bijvoorbeeld het onderzoek van Cho (2016). In een online survey werd 343 gezondheid-appgebruikers gevraagd naar de factoren die ervoor zorgen dat zij de intentie hebben om de app te blijven gebruiken. Lee en Cho (2016) kijken specifiek naar de verwachtingen van de app die invloed hebben op de intentie om de app te blijven gebruiken. Hier blijkt dat de verwachtingen van
recordability, networkability, credibility comprehensibility en trendiness een significant effect hebben
op de intentie om de app te blijven gebruiken. Huidig onderzoek veronderstelt dat gebruikers ook verwachtingen hebben betreffende de geïntegreerde BCT in hardloopapps. Hierbij wordt ervan uitgegaan dat de intentie om de app te blijven gebruiken groter is als deze verwachtingen worden waargemaakt.
H3.1: Hoe groter de match tussen de verwachte en de waargemaakte doelen die worden gesteld hoe groter de intentie om een app te blijvengebruiken.
H3.2: Hoe groter de match tussen de verwachte en de waargemaakte beschikking over self-monitoring hoe groter de intentie om een app te blijven gebruiken.
H3.3: Hoe groter de match tussen de verwachte en de waargemaakte beschikking over social support hoe groter de intentie om een app te blijven gebruiken.
H3.4: Hoe groter de match tussen de verwachte en de waargemaakte feedback hoe groter de intentie om een app te blijven gebruiken.
Effect op duur en intentie
Op het moment dat het waarmaken van de verwachtingen bestudeerd wordt, wordt er teruggekeken op het resultaat dat de app geleverd heeft. Huidige studie veronderstelt om die reden dat de waargemaakte verwachtingen meer kunnen zeggen over de duur van het gebruik van de app dan over de intentie om de app te blijven gebruiken. De intentie heeft te maken met een activiteit die in de toekomst plaats zal vinden en waar dus nog geen concrete cijfers over zijn. De duur van het appgebruik is wel concreet te meten. Om deze reden gaat dit onderzoek ervan uit dat het waarmaken van de verwachtingen een grotere invloed heeft op de duur dan op de intentie om de app te blijven gebruiken.
Daarnaast blijkt uit onderzoeken dat self-monitoring de meest gebruikte en effectieve techniek is betreffende het bevorderen en veranderen van fysiek gedrag (Michie et al., 2009). Huidig onderzoek veronderstelt daarom dat deze techniek het meest zal voldoen aan de verwachtingen die de
appgebruikers van de app hebben en daarbij dus het grootste effect heeft op de duur en de intentie om de app te blijven gebruiken.
Conceptueel model Waargemaakte verwachtingen Feedback Self-monitoring Goal setting Social support
Duur van het app gebruik Zelf toepassen van BCT Wel app gebruik Geen app gebruik
Methode
Sample selectie
De studie is uitgevoerd in de vorm van een survey, waarbij data zijn verzameld via een convenience sample methode met behulp van verschillende hardlooppagina’s op Facebook, persoonlijke contacten en er zijn flyers verspreid bij sportscholen. Daarnaast heeft de link naar de vragenlijst in verschillende nieuwsbrieven van hardloopverenigingen en sportscholen gestaan. Op deze manier is een grote groep hardlopers bereikt en kunnen de variabelen appgebruik, verwachtingen, waargemaakte verwachtingen, duur van het appgebruik en de intentie om de app te blijven gebruiken onderzocht worden. In samenwerking met Gert-Jan de Bruin –universitair hoofdmedewerker aan de UvA - is in Qualtrics is een elektronische
vragenlijst gemaakt om de benodigde informatie over de respondenten te vergaren. Deze is in de bijlage opgenomen.
Procedure
De deelnemers konden de survey op elk gewenst tijdstip en elke gewenste plek invullen. Alvorens de deelnemers konden beginnen aan het onderzoek ontvingen ze eerst informatie
Waargemaakte verwachtingen Feedback Self-monitoring Goal setting Social support Intentie om app te gebruiken Zelf toepassen van BCT Wel app gebruik Geen app gebruik
over het onderzoek. Vervolgens kregen zij enkele algemene vragen over hun leeftijd, opleidingsniveau en hardloopachtergrond. Aansluitend, werden er vragen gesteld met betrekking tot de Behavior Change Technieken die de mensen zelf al toepassen bij het hardlopen, zonder het gebruik van een app. Hierna werd gevraagd naar het al dan niet gebruiken van een app tijdens het hardlopen. Gebruikten zij dit niet dan werden zij
doorverwezen naar vragen waarom zij dit niet deden. Deden zij dit wel dan volgden er vragen wat betreft de verwachtingen van deze apps en of deze verwachtingen uitkwamen. Ook werd gevraagd naar de duur van het appgebruik en de intentie om de app te blijven gebruiken. Tot slot werden de respondenten bedankt en konden zij hun emailadres achterlaten om kans te maken op een van de zes cadeaubonnen naar keuze ter waarde van €25.-.
Sample karakteristieken
De vragenlijst was online beschikbaar van 15 tot en met 29 mei 2017. 256 respondenten hebben de vragenlijst ingevuld. 43 respondenten konden niet in het onderzoek worden meegenomen omdat zij de vragenlijst niet volledig hebben ingevuld ofwel omdat ze het afgelopen half jaar niet hadden hardgelopen. De sample bestond uiteindelijk uit 213 mensen waarvan 47.9% man (N = 102) en 52.1% vrouw (N = 111) met een gemiddelde leeftijd van 38 jaar (SD = 11.46 ), waarvan de jongste 19 jaar en de oudste 76 jaar. Het opleidingsniveau van de meeste respondenten is wetenschappelijk onderwijs (40.1%). Met daarop volgend hbo (29.6%) en mbo (15.0%).
Deze groep is onderverdeeld in wel en niet appgebruikers. Er waren 73 hardlopers die geen app gebruiken waarvan 54.8% man (N = 40) en 45.2% vrouw (N = 33 ). Hiervan
bedraagt de gemiddelde leeftijd 43 (SD = 11.92) waarbij de jongste 21 en de oudste 78. Het meest voorkomende opleidingsniveau is hbo (34.2%). Daarna heeft 32.9% een wo-opleiding en 17.8% een mbo-opleiding afgerond. De groep appgebruikers bestaat uit 140 respondenten waarvan 44.0% man (N =62 ) en 56.0% vrouw (N =78). De gemiddelde leeftijd is 38 (SD
=11.50) waarvan de jongste 24 en de oudste 69 jaar. Het meest voorkomende
opleidingsniveau is wetenschappelijk onderwijs (45.0%) daarna volgt hbo (27.1%) en mbo (13.6%).
Onderzoeksdesign
De beste manier om een grote groep mensen te ondervragen voor een dergelijk onderzoek is door middel van het gebruik van een survey. Daarnaast kan met behulp van een survey
antwoord gegeven worden op meerdere hypotheses (Babbie, 2007). Aangezien het individuele hardloopgedrag werd onderzocht waren de vragen hierop ingericht.
Variabelen
Voorspellers van appgebruik
Behavior change technieken zonder app: de mate waarin de hardloper de BCT zelf al toepast tijdens of rondom het hardlopen. Elke BCT bestaat uit meerdere items, die in dit onderzoek tot één variabele zijn gemaakt. Dit kan vanwege de hoge interne consistentie. In de survey zijn over iedere BCT verschillende vragen gesteld. Zo was één van de vijf vragen over goal setting bijvoorbeeld: ‘als het gaat om hardlopen dan weet ik eigenlijk al waar ik ga
hardlopen.’ Één van de drie vragen over feedback betrof: ‘in de laatste vier weken was ik op zoek naar informatie en feedback over hoe ik mijn hardloopprestaties kon verbeteren.’ De vragen over goal setting en feedback zijn gemeten op een Likertschaal van één tot vijf (sterk mee oneens tot sterk mee eens). Voor self-monitoring bestonden twee items, bijvoorbeeld: ‘in de laatste vier weken heb ik in mijn hoofd bijgehouden of ik wel lang genoeg hardloop.’ Social support had tien vragen, zoals: ‘in de laatste vier weken heeft iemand in de directe omgeving complimenten gegeven over mijn hardloop prestaties.’ Self-monitoring en social support zijn beiden gemeten op een Likertschaal van één tot vijf (nooit tot altijd).
De Cronbach’s Alpha lag voor alle BCT hoger dan .7, waardoor de items voor elk
afzonderlijke BCT samengevoegd zijn tot één gemiddelde. De laagst gemeten Cronbach’s Alpha, .81, was voor goal setting. self-monitoring had een score van .88, social support .83 en feedback .90
Appgebruik
Om erachter te komen of de respondenten wel of geen app gebruiken tijdens het hardlopen is deze vraag rechtstreeks gesteld. De vraag gebruikt u tijdens het hardlopen een app kon beantwoord worden met ‘ja’ of ‘nee’.
Afhankelijke variabelen
Duur van het app gebruik: voor het bepalen van de duur van het gebruik werd de tijd in maanden gebruikt. Er zijn vier opties mogelijk, namelijk korter dan 1 maand, 1-3 maanden, 3-6 maanden of langer dan 3-6 maanden. Deze laatste optie wordt beschouwd als langdurig gebruikmaken van een app.
Intentie om de app te blijven gebruiken: de mate waarin de hardloper van plan is om de app tijdens het hardlopen te blijven gebruiken. Dit is gemeten aan de hand van drie items, bijvoorbeeld: ‘In de komende vier weken verwacht ik dat ik deze hardloop app(s) zal
gebruiken. Dit is gemeten op een Likertschaal van één tot vijf (sterk mee oneens tot sterk mee eens). De drie items zijn samengevoegd tot een nieuwe variabele, intentie genaamd. Er is een Cronbach’s Alpha gemeten van .96. Dit is hoger dan .7, waardoor een gemiddelde schaalscore gemaakt is.
Voorspellers van duur en intentie van het app gebruik
Verwachting van de app: de mate waarin de appgebruiker denkt dat deze app beschikt over de onderzochte BCT. Voor elke BCT is dit apart gemeten. Voor goal setting was de vraag: ‘Ik
heb in de laatste vier weken deze app gebruikt, omdat ik verwacht dat deze voor mij haalbare hardloop-doelen stelt.’ Self-monitoring is gemeten aan de hand van de vraag: ‘omdat ik verwacht dat deze app mijn hardloopprestaties en doelen bijhoudt.’ Voor social support is dit: ‘omdat ik verwacht dat deze app mij complimenten geeft over mijn hardloopprestaties.’ Als laatste is feedback gemeten aan de hand van de vraag: ‘omdat ik verwacht dat deze app duidelijk feedback geeft over mijn hardloopprestaties.’ Al deze vragen zijn gemeten op basis van een Likertschaal die liep van één tot vijf (sterk mee oneens tot sterk mee eens).
Waargemaakte verwachtingen: in hoeverre vindt de gebruiker dat de verwachtingen die hij of zij had daadwerkelijk zijn waargemaakt. Voor goal setting was de vraag: ‘Als het gaat om de onderstaande doelen, dan heeft/hebben deze hardloop app(s) mijn verwachtingen
waargemaakt, doel: haalbare doelen.’ Self-monitoring wordt gemeten aan de hand van het doel: ‘bijhouden prestaties en doelen.’ Voor social support is het doel: ‘complimenten geven.’ Als laatste wordt feedback gemeten aan de hand van het doel: ‘duidelijke feedback.’ Deze vragen zijn gemeten met een 5-punt Likert schaal die liep van helemaal waargemaakt tot helemaal niet waargemaakt.
Om de match tussen de verwachtingen en het waarmaken van deze verwachtingen te onderzoeken worden deze twee variabelen van elkaar afgetrokken. Per BCT wordt de match gevormd door het waarmaken van de verwachting van de verwachting van de BCT af te trekken. Op deze manier zijn er vier nieuwe variabelen gemaakt, die matches genoemd worden: Match goal setting, match self-monitoring, match social support en match feedback.
Resultaten
Voorspellen van app gebruik
De eerste vier hypotheses stellen dat het zelf uitvoeren van Behavior Change technieken, zonder app, leidt tot een kleinere kans op het gebruik van een app tijdens het hardlopen. Hierbij is gekeken naar de vier verschillende BCT, goal setting, self-monitoring, social support en feedback en wordt de hele groep - wel en niet appgebruikers - meegenomen in de analyse. Leeftijd en geslacht worden meegenomen als controle variabelen. Een meervoudige logistische regressie is toegepast om de invloed van het zelf toepassen van BCT - zonder app - op het wel of niet gebruiken van een app te meten. Het model bestaat uit de zes bovenstaande onafhankelijke variabelen. χ2 (6, N = 213) = 16.83, p <.001. Een significante uitkomst
betekent dat het model een onderscheid kan maken tussen respondenten die wel een app gebruiken en respondenten die dat niet doen. Het model verklaart in zijn geheel tussen 7.5% (Cox and Snell square) en 10.4% (Nagelkerke R squared) van de variantie in het gebruiken van een app en is correct in 67.9% van de gevallen. In tabel 1 is te zien dat voor de variabelen leeftijd en feedback een significant effect gevonden is. De sterkste voorspeller is feedback met een odss ratio van 1.40. Hieruit blijkt dat de respondenten die al feedback ontvingen 1.4 keer vaker een app gebruikten dan degene die dit niet ontvingen, gecontroleerd met behulp van alle andere factoren in het model. Alle andere factoren hebben geen significant effect op het gebruik van een app. Geen van de hypotheses kan worden aan genomen, zie tabel 1.
Tabel 1
Logistische regressie voorspelling wel of geen app gebruik
B S.E. Wald df p Odds Ratio
Geslacht -.37 .30 2.53 1 .217 .69 Leeftijd -.04 .01 7.05 1 .008 .97 Goal setting -.13 .25 .26 1 .609 .88 Self-monitoring .01 .12 .01 1 .935 1.01 Social support -.43 .28 2.36 1 .124 .65 Feedback .33 .16 4.39 1 .036 1.40 Constant 2.79 1.20 5.39 1 .020 16.22
Voorspellen van intentie en duur van het gebruik
Om de invloed van de match tussen de verwachtingen en het waarmaken hiervan, met betrekking tot de vier verschillende BCT, op de duur van het gebruik van de app en de intentie om de app te blijven gebruiken te onderzoeken is een meervoudige regressie analyse toegepast. Om te onderzoeken of de verwachtingen zijn uitgekomen zijn de variabelen die het waarmaken van de verwachting meten van de verwachtingen van de BCT afgetrokken. Dit zorgt voor vier nieuwe variabelen die matches genoemd worden. De matches tussen de BCT zijn de voorspellers van de duur van het app gebruik en de intentie om de app te blijven gebruiken. Hierbij worden alleen appgebruikers meegenomen in de analyses (N = 140).
Uit de resultaten blijkt dat de matches tussen de verwachtingen en het waarmaken hiervan voor goal setting en social support positief zijn. De means (tabel 3 en 4) zijn positief waaruit blijkt dat verwachtingen van deze BCT worden waargemaakt. Voor self-monitoring en feedback is dit niet het geval, de means zijn negatief. Daarbij blijkt dat de correlaties wat
betreft de matches met enerzijds duur en anderzijds intentie zwak en niet significant zijn. In tabel 2 zijn de verschillende correlaties weergegeven. Hierna heeft een regressie analyse plaatsgevonden om te toetsen of de onafhankelijke variabelen wel invloed hebben op de afhankelijke variabele en daarbij of dit een positief of negatief verband behelst.
Tabel 2
Correlaties tussen de variabelen (n = 140)
Variabelen 1 2 3 4 5 6
1. Duur appgebruik -
2. Intentie .23** -
3. Match goal setting -.04 .20 - 4. Match
self-monitoring
-.08 -.11 .31** -
5. Match social support -.01 .02 .15 -.15 -
6. Match feedback -.05 .04 .30** .39** .10 - Noot. **. Correlatie is significant bij .01 level (2-tailed).
Duur
De correlatietabel (tabel 2) liet al zien dat er geen sprake was van samenhang tussen de vier matches en de duur. Daarbij toont de regressie analyse voor geen enkel van de matches een significant effect op de duur (tabel 3). De vier hypotheses, 2.1 tot en met 2.4, met als afhankelijke variabele duur van het gebruik worden niet aangenomen. Allereerst kunnen de hypotheses betreffende self-monitoring en feedback niet worden aangenomen omdat de verwachtingen niet worden waargemaakt. Daarbij worden ook de andere twee hypotheses niet aangenomen omdat er geen significant effect gevonden is. Echter blijkt uit de resultaten dat alle appgebruikers de app al lange tijd gebruiken (M = 3.81, SD = .58).
Intentie
Ook voor intentie wordt gekeken naar de correlatietabel (tabel 2), waar blijkt dat de vier matches geen samenhang tonen met de intentie. Daarnaast toont ook hier de regressie analyse geen significant effect betreffende de matches en de intentie (tabel 4). De vier hypotheses 3.1 tot en met 3.4 met als afhankelijke variabele intentie om de app te blijven gebruiken worden niet aangenomen. Het was niet mogelijk de hypotheses met onafhankelijke variabelen self-monitoring en feedback aan te nemen omdat deze verwachtingen niet zijn waargemaakt. De hypotheses betreffende goal setting en social support worden niet aangenomen omdat deze geen significant verband aantonen. Ook hier blijkt dat onder de appgebruikers de intentie desalniettemin hoog is (M = 4.59, SD = .68).
Tabel 3
Resultaten van de regressie analyse met duur als afhankelijke variabele en de matches van BCT als onafhankelijke variabelen.
Afhankelijke variablen M (SD) B (SD) α
Match goal setting Match self-monitoring Match social support Match feedback .67 (1.19) -.11 (.91) .66 (1.10) -.16 (.93) -.00 (.05) -.04 (.06) -.01 (.05) -.02 (.06) .08 -.69 .11 -.27
Noot. N = 140 M = waargemaakt - verwachting B = Unstandardized regressie coëfficiënt voor de directe relatie tussen de matches en intentie.
Tabel 4
Resultaten van de regressie analyse met intentie als afhankelijke variabele en de matches van BCT als onafhankelijke variabelen.
Afhankelijke variablen M (SD) B (SD) α
Match goal setting Match self-monitoring Match social support Match feedback .67 (1.19) -.11 (.91) .66 (1.10) -.16 (.93) .03 (.05) -.09 (.07) .00 (.05) -.02 (.07) .52 .18 .97 .81
Noot. N = 140 M = waargemaakt - verwachting B = Unstandardized regressie coëfficiënt voor de directe relatie tussen de matches en intentie.
Conclusie en discussie Conclusie
In deze studie is getracht bestaande literatuur, wat betreft de Uses and Gratifications Theory en het gebruik van hardloopapps waarin Behavior Change Technieken zijn opgenomen aan te vullen en aan elkaar te koppelen. Door middel van een online survey zijn de respondenten vragen gesteld over het gebruik van hardloopapps. De verwachte uitkomst was dat het waarmaken van de verwachtingen van de betreffende appgebruikers - betreffende de
onderzochte BCT - een positieve invloed zou tonen op de duur en de intentie van het gebruik. Daarbij werd verondersteld dat de invloed op de duur groter zou zijn dan op de intentie omdat bij duur een terugkoppeling wordt gemaakt naar een gebeurtenis in het verleden, die meetbaar is.
In eerste instantie is onderzocht of het zelf toepassen van BCT tijdens het hardlopen invloed heeft op het al dan niet gebruiken van een app. Hypotheses 1.1 tot en met 1.4 veronderstellen dat de kans kleiner is dat er geen app gebruikt wordt als hardlopers uit zichzelf al BCT toepassen. Alle vier de hypotheses worden niet door de resultaten
ondersteund. Van alle onderzochte personen - de wel en niet appgebruikers - blijkt dat het overgrote deel ook BCT toepast zonder app. Er blijkt alleen een statistisch significant bewijs voor de relatie tussen feedback en appgebruik, maar de uitkomst is anders dan verwacht. De resultaten tonen namelijk aan dat het zelf toepassen van feedback leidt tot een grotere kans in plaats van de verwachtte kleinere kans op het gebruiken van een app. Dit is niet in lijn met wat menig ander onderzoek bevestigt, namelijk waarin dat de techniek self-monitoring het meest gebruikt wordt en daarbij tevens het meest effectief is wat betreft het veranderen van sport gerelateerd gedrag (Michie et al., 2009; Olander et al., 2013). Een mogelijke verklaring hiervoor is dat hardlopers graag feedback ontvangen, op elk mogelijke manier (Archer, 2010). Feedback wordt gezien als toegevoegde waarde betreffende het bevorderen van
sportprestaties (Yang et al., 2015; Edwards et al., 2016; Reynolds, 2016; Shuger et al., 2011). De overige drie technieken laten geen significant effect zien omdat het appgebruik niet uitsluit dat de gebruiker zelf BCT toepast (Turner-McGrievey et al., 2013). Het gebruik van een hardloopapp is in die gevallen dan slechts een hulpmiddel dat wordt gebruikt als
toevoeging aan het zelf toepassen van de BCT. Andersom blijkt namelijk ook dat veel mensen die BCT zelf toepassen, daarbij ook een app gebruiken.
Duur app gebruik
Hypotheses 2.1 tot en met 2.4 hebben betrekking op de duur van het appgebruik. Deze vier hypotheses worden niet aangenomen. Het antwoord op het eerste deel van de
onderzoeksvraag: ‘Heeft de match tussen de verwachtingen en het waarmaken van de verwachtingen van de app een positieve invloed op de duur van het appgebruik?’ is daarom, ‘nee, het heeft geen invloed’. Uit de resultaten is op te maken dat alleen de verwachtingen van de BCT goal setting en social support worden waargemaakt, zodat dit de enige BCT zijn die nog invloed kunnen hebben op de duur. Echter blijkt dat bijna alle respondenten de app langer dan een half jaar gebruiken. Echter nu de BCT goal setting en social support geen significant
effect aantonen, zullen het andere factoren zijn die invloed uitoefenen op het langdurig gebruikmaken van een hardloopapp. Een voorbeeld van een dergelijke factor is het huidige overschot aan hardloopapps: hardlopers worden overspoeld met apps betreffende het
bevorderen van hardloopprestaties en weten niet welke ze moeten kiezen. Daarom blijven ze doorgaans (langer) trouw aan één bepaalde app (Van Velsen et al., 2013). Daarbij komt dat de functionaliteit van een app wordt gezien als de belangrijkste reden om deze te blijven
gebruiken (Peng, 2016; Lee en Cho, 2016; Schoeppe et al., 2017). Daarna volgt de esthetiek van de app (Schoeppe et al., 2017). De meer ‘oppervlakkige’ aspecten van een app zorgen dus voor langer gebruik.
Daarnaast werd verondersteld dat er een groter effect gevonden zou worden wat betreft het waarmaken van de verwachtingen op de duur dan op de intentie om de app te blijven gebruiken. Ook deze veronderstelling wordt niet door de resultaten bevestigd omdat geen van beide een positief effect laat zien.
Intentie
Hypotheses 3.1 tot en met 3.4 betreffen de invloed van de match tussen de verwachtingen en het waarmaken hiervan op de intentie om de app te blijven gebruiken. Ook deze vier
hypotheses worden niet aangenomen. Het antwoord op het tweede deel van de
onderzoeksvraag: ‘Heeft de match tussen de verwachtingen en het waarmaken van de verwachtingen van de app een positieve invloed op de intentie om de app te blijven gebruiken?’ is wederom, ‘nee’.
Waar eerder onderzoek (Lee en Cho, 2016) wel concludeerde dat het waarmaken van verwachtingen effect had op de intentie om de app te blijven gebruiken - in die zin dat het waarmaken van verwachtingen ervoor zorgt dat de intentie om de app te blijven gebruiken hoger ligt - , is dat met huidig onderzochte verwachtingen niet het geval. De focus van Lee en Cho (2016) lag meer bij de werking van de app, terwijl huidig onderzoek juist meer focust op
de specifieke functies van de app. Ook voor deze hypotheses blijkt dat alleen de
verwachtingen van goal setting en social support worden waargemaakt. De verwachtingen van self-monitoring en feedback worden niet waargemaakt en kunnen daardoor al geen invloed hebben op de intentie om de app te blijven gebruiken.
Uit de resultaten blijkt dat ook hier het overgrote deel van de respondenten al de intentie heeft om de app te blijven gebruiken. Deze intentie wordt dus positief beïnvloed door andere factoren dan de waargemaakte verwachtingen van goal setting en social support. Dit kan komen omdat is gebleken dat de belangrijkste redenen om een app te blijven gebruiken de gebruiksvriendelijkheid en de esthetiek van de app zijn (Schoeppe, 2017).
Daarnaast is een mogelijke verklaring dat BCT in een app werken om te zorgen voor betere hardloopprestaties (Sullivan & Lachman, 2016; Walsh et al., 2016) en deze prestaties zorgen voor de intentie om de app te blijven gebruiken in plaats van de geïntegreerde BCT. Mensen blijven de intentie houden om de app te blijven gebruiken omdat zij zien dat hun prestaties vooruit gaan, zonder dat ze de oorzaak van hun verbeterde prestaties proberen te achterhalen.
De enige factor die significante invloed heeft op intentie is geslacht. Het blijkt dat mannen, in vergelijking met vrouwen, een hogere intentie hebben om de app te blijven
gebruiken. Dit is in lijn met de resultaten van het onderzoek van Klenk et al. waaruit blijkt dat mannen vaker hun sportprestaties willen bijhouden en delen.
Discussie
Tekortkomingen
Veel onderzoeken hebben de invloed van BCT op fysieke activiteiten in het algemeen bestudeerd (Abraham & Michie, 2008; Greaves et al., 2011). Daarnaast zijn er onderzoeken geweest die de verwachtingen, die gebruikers hebben van hardloopapps, hebben onderzocht (Lee & Cho, 2016). Ook zijn er onderzoeken die de verwachtingen die gebruikers hebben van
bepaalde BCT - die al dan niet in de app geïntegreerd zijn – hebben bestudeerd (Janssen et al., 2017; Sullivan & Lachman, 2016; Walsh et al., 2016). Huidig onderzoek is de eerste die kijkt naar het waarmaken van deze verwachtingen. Er is nog geen onderzoek gedaan naar de koppeling van hardloopapps en de UGT. Om deze reden is er dus weinig
vergelijkingsmateriaal om de resultaten van huidig onderzoek mee te vergelijken.
Een andere beperking van huidig onderzoek die er wellicht voor gezorgd heeft dat de vooraf gestelde verwachtingen niet zijn uitgekomen, betreft het ontbreken van een baseline meting; in de survey werd namelijk achtereenvolgens gevraagd naar de verwachtingen en het waarmaken daarvan. Op deze manier kan er geen neutraal beeld geschetst worden van de verwachtingen. Gebruikers hebben de app namelijk al gebruikt, zodat het lastig is zeker te weten wat de verwachtingen waren vóórdat de app in gebruik werd genomen. Een baseline meting is een manier om te zorgen dat de verwachtingen - zonder invloed van de app - op een neutrale manier gemeten kunnen worden. Daarnaast gaat het om een moment meting en zou het zeer zinvol zijn om een groep gebruikers te volgen over een langere periode. Dan kan intentie en waarmaken van verwachtingen beter in kaart gebracht worden.
Toekomstig onderzoek
Een belangrijk punt waar toekomstig onderzoek goed aan zal doen te onderzoeken, betreft het combineren van verschillende BCT. Huidig onderzoek heeft gekeken naar de invloed van individuele BCT op het appgebruik door hardlopers. Eerdere onderzoeken tonen aan dat een combinatie van twee of meer BCT zorgt voor toenemend effect op de duur van het appgebruik en het verbeteren van prestaties (Aittasalo et al., 2006; Normand, 2008; Wack et al., 2014; Michie et al., 2009). Vervolgonderzoek zou daarom kunnen onderzoeken of combinaties van het waarmaken van de verwachtingen van meerdere BCT wel invloed heeft op de duur en de intentie.
Een tweede punt waar vervolgonderzoek zich op zou kunnen richten, komt voort uit het feit dat uit huidig onderzoek is gebleken dat ook andere – niet in deze studie onderzochte factoren - invloed hebben op de duur en de intentie van het gebruik van de app. Vervolgonderzoek zou zich dan bijvoorbeeld kunnen richten op de invloed die peer pressure hierop heeft. Onderzoek van Luszczynska et al. (2004) toont aan dat de invloed van peers bij het bevorderen van fysieke activiteiten groot is. De studie van Lee en Cho (2016) bevestigd dit. Zij tonen aan dat invloed van buitenaf sterk kan bijdragen aan de intentie en de duur van het app gebruik.
Een volgende suggestie voor toekomstig onderzoek is het gebruikmaken van een bredere sample. Het feit dat het onderzoek voornamelijk gepromoot is bij hardlopers uit Amsterdam zorgt naar verwachting voor andere resultaten dan wanneer tevens mensen van buiten de Randstad in het onderzoek meegenomen zouden zijn. Zij hebben namelijk andere gezondheidsnormen (De Mik, 2016). Stedelingen hebben over het algemeen andere
sportbehoeftes en beoefenen meer fysieke activiteiten dan mensen buiten de randstad (Sobngwi et al., 2002). Daarbij waren de respondenten van huidige studie vooral ervaren hardlopers.Om antwoord te geven op de onderzoeksvraag was dit een interessante sample, nu deze groep vaak al bekend is met hardloopapps. Echter zou het voor toekomstig onderzoek interessant zijn om een meer gevarieerde, brede groep hardlopers te onderzoeken.
Bijvoorbeeld door te vragen naar de verwachtingen van toekomstige hardlopers. Mensen hebben verschillende motieven om te gaan hardlopen, hetgeen in dit
onderzoek niet wordt meegenomen. Voorbeelden van motieven om te (gaan) hardlopen zijn afvallen, revalideren, in vorm willen blijven of buiten willen zijn ( Baart de la
Faille-Deutekom et al., 2015). Consolvo en collega’s (2006) benoemen ook verschillende motieven van gebruikers om apps te gebruiken. Zij beweren dat de leefomstandigheden van een
gebruiker invloed hebben op de verwachtingen betreffende een sport gerelateerde app. Huidig onderzoek heeft dit niet meegenomen omdat hier wordt uitgegaan van de hardloper in het
algemeen. Vervolgonderzoek zou er goed aan doen een gedetailleerder onderzoeksdesign te gebruiken, waarbij verschillende hardloopmotieven vergeleken worden
Tot slot is het waardevol wanneer toekomstig onderzoek diepte-interviews afneemt. Door middel van persoonlijke verhalen is beter te achterhalen wat de redenen zijn om tijdens het hardlopen een app te gebruiken. Huidig onderzoek past een survey toe die geen ruimte geeft om uit te wijken, hetgeen bij een interview wel het geval is. Eerder onderzoek heeft laten zien dat het afnemen van interviews zorgt voor persoonlijke verhalen waarbij veel extra informatie wordt verschaft (Burke et al., 2009).
Referenties
Abraham, C., & Michie, S. (2008). A taxonomy of behavior change techniques used in interventions. Health Psychology : Official Journal of the Division of Health
Psychology, American Psychological Association, 27(3), 379-87. doi:10.1037/0278-6133.27.3.379
Aittasalo, M., Miilunpalo, S., Kukkonen-Harjula, K., & Pasanen, M. (2006). A randomized intervention of physical activity promotion and patient self-monitoring in primary health care. Preventive Medicine, 42(1), 40-6. doi:10.1016/j.ypmed.2005.10.00
Anderson-Bill, E., Winett, R., & Wojcik, J. (2011). Social cognitive determinants of nutrition and physical activity among web-health users enrolling in an online intervention: The influence of social support, self-efficacy, outcome expectations, and self-regulation. Journal of Medical Internet Research, 13(1), e28. doi:10.2196/jmir.1551
Archer, J. (2010). State of the science in health professional education: Effective feedback. Med Educ, 44(1), 101-8. doi:10.1111/j.1365-2923.2009.03546.x
Baart de la Faille-Deutekom, M. (2014). The role of app use in preparation of running events. Geraadpleegd op
http://www.medicine20congress.com/ocs/index.php/med/med2014b/paper/view/2855 Babbie, E. (2007). The practice of Social Research (10th ed.). Belmond, USA: Thomson
Wadsworth.
Bandura, A. (1991). Social cognitive theory of self-regulation. Organizational Behavior and Human Decision Processes, 50(2), 248-287.
Bandura, A., & Cervone, D. (1983). Self-evaluative and self-efficacy mechanisms governing the motivational effects of goal systems. Journal of Personality and Social
Psychology, 45(5), 1017-1028.
internet: Actualizing their potential. Annu Rev Public Health, 30, 273-92. doi:10.1146/annurev.publhealth.031308.100235
Bort-Roig, J., Gilson, N., Puig-Ribera, A., Contreras, R., & Trost, S. (2014). Measuring and influencing physical activity with smartphone technology: A systematic review. Sports Med, 44(5), 671-86. doi:10.1007/s40279-014-0142-5
Brouwer, G. (2013, November 12). Hoe de nieuwe sport apps echt je gedrag veranderen. Geraadpleegd op http://www.sportnext.nl/berichten/sportapps_sturen_gedrag Bryant, J., & Oliver, M. (2009). Media Effects: Advances in Theory and Research (3e ed.).
New York, USA: Routledge.
Burke, L., Swigart, V., Warziski Turk, M., Derro, N., & Ewing, L. (2009). Experiences of self-monitoring: Successes and struggles during treatment for weight loss. Qualitative Health Research, 19(6), 815-28. doi:10.1177/104973230933539
Burke, L. E., Wang, J., & Sevick, M. A. (2011). Self-monitoring in weight loss: A systematic review of the literature. Journal of the American Dietetic Association, 111(1), 92-102. doi:10.1016/j.jada.2010.10.008
Butryn, M., Phelan, S., Hill, J., & Wing, R. (2007). Consistent Self-monitoring of Weight: A Key Component of Successful Weight Loss Maintenance. Obesity a research
journal, 15(12), 3091-3096. doi:10.1038/oby.2007.368
Cho, J. (2016). The impact of post-adoption beliefs on the continued use of health apps. International Journal of Medical Informatics, 87, 75-83.
doi:10.1016/j.ijmedinf.2015.12.016
Consolvo, S., Everitt, K., Smith, I., & Landay, J. (2006) Design requirements for technologies that encourage physical activity CHI Proceedings Designing for Tangible Interactions, Montreal.
persuasive technologies that encourage physical activity. In ACM (Red.), Proceedings of the 4th International Conference on Persuasive Technology (pp. 1-8). New York, USA: ACM.
Cowan, L. T., Van Wagenen, S. A., Brown, B. A., Hedin, R. J., Seino-Stephan, Y., Hall, P. C., & West, J. H. (2013). Apps of steel: Are exercise apps providing consumers with realistic expectations?: A content analysis of exercise apps for presence of behavior change theory. Health Education & Behavior : The Official Publication of the Society for Public Health Education, 40(2), 133-9. doi:10.1177/109019811245212
Dainton, M., & Zelly, E. (2011). Applying Communication Theory for Professional Life. ‘’A Practical Introduction’'(2e ed.). Thousand Oaks, USA: Sage Publications
Dennison, L., Morrison, L., & Yardley, L. (2013). Opportunities and Challenges for
Smartphone Applications in Supporting Health Behavior Change: Qualitative Study. Journal of Medical Internet Research, 15(4). doi:10.2196/jmir.2583
Direito, A., Jiang, Y., Whittaker, R., & Maddison, R. (2015). Smartphone apps to improve fitness and increase physical activity among young people: Protocol of the apps for improving fitness (AIMFIT) randomized controlled trial. BMC Public Health, 15, 635. doi:10.1186/s12889-015-1968-y
Duncan, M., Vandelanotte, C., Trost, S., Rebar, A., Rogers, N., Burton, N. W., . . . Brown, W. J. (2016). Balanced: A randomised trial examining the efficacy of two self-monitoring methods for an app-based multi-behaviour intervention to improve physical activity, sitting and sleep in adults. BMC Public Health, 16, 670. doi:10.1186/s12889-016-3256-x
lifestyle and structured interventions to increase physical activity and cardiorespiratory fitness. JAMA, 281(4), 327-334. doi:10-1001/pubs.JAMA-ISSN-0098-7484-281-4-joc80889
Edwards, E., Lumsden, J., Rivas, C., Steed, L., Edwards, L., Thiyagarajan, A., . . . Walton, R. (2016). Gamification for health promotion: Systematic review of behaviour change techniques in smartphone apps. BMJ Open, 6(10), e012447. doi:10.1136/bmjopen-2016-01244
Ernsting, C., Dombrowski, S., Oedekoven, M., O Sullivan, J., Kanzler, M., Kuhlmey, A., & Gellert, P. (2017). Using smartphones and health apps to change and manage health behaviors: A population-based survey. Journal of Medical Internet Research, 19(4), e101. doi:10.2196/jmir.6838
Fatehi, F., Gray, L., & Russel, A. (2017). Mobile Health (mHealth) for Diabetes Care: Opportunities and Challenges. Diabetes Technology & Therapeutics, 19(1), 1-3. doi:10.1016/S0140-6736(16)30054-X
Giles-Cortia, B., & Donovan, R. (2002). The relative influence of individual, social and physical environment determinants of physical activity. Social Science &
Medicine, 54, 1793-1812. Geraadpleegd op
http://ac.els- cdn.com/S0277953601001502/1-s2.0-S0277953601001502-main.pdf?_tid=cf37fa02-
2e80-11e7-a8c7-00000aab0f6b&acdnat=1493651827_bd10d88607aafc6d5c48f84f312ce82d Greaves, C., Sheppard, K. E., Abraham, C., Hardeman, W., Roden, M., Evans, P. H., . . .
IMAGE Study Group. (2011). Systematic review of reviews of intervention
components associated with increased effectiveness in dietary and physical activity interventions. BMC Public Health, 11, 119. doi:10.1186/1471-2458-11-119
recess. Journal of applied behavior analysis, 48(3), 690-695. doi:10.1002/jaba.222 Hebden, L., Cook, A., van der Ploeg, H., & Allman-Farinelli, M. (2012). Development of smartphone applications for nutrition and physical activity behavior change. JMIR Research Protocols, 1(2), e9. doi:10.2196/resprot.2205
Helander, E., Kaipainen, K., Korhonen, I., & Wansink, B. (2014). Factors related to sustained use of a free mobile app for dietary self-monitoring with photography and peer
feedback: Retrospective cohort study. Journal of Medical Internet Research, 16(4), e109. doi:10.2196/jmir.3084
Heath, G., Parra, D., Sarmiento, O., Andersen, L., Owen, N., Goenka, S., . . .
Brownson, R. (2012). Evidence-based intervention in physical activity: Lessons from around the world. The Lancet, 380(9838), 272-281.
doi:10.1016/s0140-6736(12)60816-
Higgins, J. MPhil, M (2016). Smartphone applications for patients' health and fitness. Am J Med, 129(1), 11-9. doi:10.1016/j.amjmed.2015.05.038-2
Horst, K. van der, Chin, M., Twisk, J., & Van Mechelen, W. (2007). A Brief Review on Correlates of Physical Activity and Sedentariness in Youth. American College of Sports Medicine, 1, 1241-1250. doi:0195-9131/07/3908-1241/0
Janssen, M., Scheerder, J., Thibaut, E., Brombacher, A., & Vos, S. (2017). Who uses running apps and sports watches? Determinants and consumer profiles of event runners’ usage of running-related smartphone applications and sports watches. PLoS ONE, 12(7), 1-17. doi:10.1371/journal.pone.0181167
Kanfer, F. (1970). Self-monitoring: Methodological limitations and clinical applications. Journal of Consulting and Clinical Psychology, 35(2), 148-152.
Editorial Note on a Possible Future for This Journal. Studies in Public Communication, 2, 1-6.
Klein, H., Wesson, M., Hollenbeck, J., & Alge, B. (1999). Goal Commitment and the Goal- Setting Process: Conceptual Clarification and Emperical Synthesis. Journal of Applied Psychology, 84(6), 885-896.
Klenk, S., Reifegerste, D., & Renatus, R. (2017). Gender differences in gratifications from fitness app use and implications for health interventions. Mobile Media and
Communication, 5(2), 178-193. doi:10.1177/2050157917691557
Ko, H., Cho, C., & Roberts, M. (2005). Internet uses and gratifications: A structural equation model of interactive advertising. Journal of advertising, 34(2), 57-70.
doi:10.1080/00913367.2005.10639191
Kranz, M., Möller, A., Hammerla, N., Diewald, S., Plötz, T., Olivier, P., & Roalter, L. (2013). The mobile fitness coach: Towards individualized skill assessment using personalized mobile devices. Pervasive and Mobile Computing, 9(2), 203-215.
doi:10.1016/j.pmcj.2012.06.002
Ku, Y., Chu, T., & Tseng, C. (2013). Gratifications for using CMC technologies: A
comparison among SNS, IM, and e-mail. Computers in Human Behavior, 29(1), 226-234. doi:10.1016/j.chb.2012.08.009
F, D., Brellenthin, A., Thompson, P., Sui, X., Lee, I., & Lavie, C. (2017). Running as a key lifestyle medicine for longevity. Progress in Cardiovascular Diseases.
doi:10.1016/j.pcad.2017.03.005
Lee, E. & Cho, J. (2016). What Motivates Users to Continue Using Diet and Fitness Apps? Application of the Uses and Gratifications Approach. Health Communication, 32(12), 1445-1453. doi:10.1080/10410236.2016.1167998
culture. Journalism Quarterly, 70(2), 833-842.
Lock, E., & Latham, G. (1991). Self-Regulation through goal setting. Organizational behavior and human decision processes, 50, 212-247. doi:10.2307/258875
Longenecker, C., Scazzero, J., & Stansfield, T. (1994). Quality Improvement through team goal setting, feedback, and problem solving: A field experiment. International Journal of Quality Science, 11(4), 45-52. doi:10.1108/02656719410057944
Luszczynska, A., Gibbons, F., Piko, B., & Tekozel, M. (2004). Self-regulatory cognitions, social comparison, and perceived peers’ behaviors as predictors of nutrition and physical activity: A comparison among adolescents in hungary, poland, turkey, and USA. Psychology & Health, 19(5), 577-593. doi:10.1080/0887044042000205844 Mattila, E., Korhonen, I., Salminen, J., Ahtinen, A., Koskinen, E., Särelä, A., . . . Lappalainen,
R. (2010). Empowering citizens for well-being and chronic disease management with wellness diary. IEEE Transactions on Information Technology in Biomedicine : A Publication of the IEEE Engineering in Medicine and Biology Society, 14(2), 456-63. doi:10.1109/TITB.2009.2037751
McCally, L., & Midden, C. (2002). Energy conservation through product-integrated feedback: The roles of goal-setting and social orientation. Journal of Economic
Psychology, 23(5), 589-603. doi:https://doi.org/10.1016/S0167-4870(02)00119-8 McQuail, D. (1997). Audience Analysis. Londen, Engeland: SAGE.
Mechelen, D. van, Van Mechelen, W., & Verhagen, E. (2014). Sports injury prevention in your pocket?! Prevention apps assessed against the available scientific evidence: a review. Br J Sports Med, 48(11), 878-882. doi:10.1136/bjsports-2012-092136 Michie, S., Abraham, C., Whittington, C., McAteer, J., & Gupta, S. (2009). Effective
techniques in healthy eating and physical activity interventions: A meta-regression. Health Psychology : Official Journal of the Division of Health Psychology, American Psychological Association, 28(6), 690-701. doi:10.1037/a0016136
Middelweerd, A., Mollee, J., van der Wal, C., Brug, J., & Te Velde, S. (2014). Apps to promote physical activity among adults: A review and content analysis. The International Journal of Behavioral Nutrition and Physical Activity, 11, 97. doi:10.1186/s12966-014-0097-9
Mik, K. de. (2016). ‘Plattelanders zijn gemiddeld gezonder en iets gelukkiger’. Geraadpleegd op https://www.nrc.nl/nieuws/2016/10/19/plattelanders-zijn-gemiddeld-gezonder-en-iets-gelukkiger-a1527285
Mobasheri, M., Johnston, M., King, D., Leff, D., Thiruchelvam, P., & Darzi, A. (2014). Smartphone breast applications - what's the evidence? Breast (Edinburgh, Scotland), 23(5), 683-9. doi:10.1016/j.breast.2014.07.006
Mulas, F., Carta, S., Pilloni, P., & Boratto, L. (2013). Everywhere Run: a Virtual Personal Trainer for Supporting People in their Running Activity. International Journal of Advanced Computer Science, 3(2), 75-79.
Munson, S., & Consolvo, S. (2012). Exploring goal-setting, rewards, self-monitoring, and sharing to motivate physical activity, proceedings of pervasive health. Paper
gepresenteerd op de 6th International Conference on Pervasive Computing Technologies for Healthcare, San Diego, USA. Geraadpleegd van
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5225122/#B33
NCD-RisC. (2016). Trends in adult body-mass index in 200 countries from 1975 to 2014: a pooled analysis of 1698 population-based measurement studies with 19,2 million participants. The Lancet, 387(10026), 1377-1396. doi:10.1016/S0140-6736(16)30054-X
Normand, M. (2008). Incresing physical activity through self-monitoring, goal setting, and feedback. Behavioral interventions, 23, 227-236. doi:10.1002/bin.267
Olander, E., Fletcher, H., Williams, S., Atkinson, L., Turner, A., & French, D. (2013). What are the most effective techniques in changing obese individuals' physical activity self-efficacy and behaviour: a systematic review and meta-analysis. The international journal of behavioral nutrition and physical activity, 10, 29. doi:10.1186/1479-5868-10-29
Pagoto, S., & Bennet, F. (2013). How behavioral science can advance digital health. Translational Behavioral Medicine, 3(3), 271-276. doi:10.1007/s13142-013-0234-z Pearson, E. (2012). Goal setting as a health behavior change strategy in overweight and obese
adults: A systematic literature review examining intervention components. Patient Education and Counseling, 87(1), 32-42. doi:10.1016/j.pec.2011.07.018
Peng, W., Kanthawala, S., Yuan, S., & Hussain, S. (2016). A qualitative study of user perceptions of mobile health apps. BMC Public Health, 16(1), 1158.
doi:10.1186/s12889-016-3808-0
Rankin, A., Rankin, A., MacIntyre, P., & Hillis, W. (2012). Walk or run? Is high-intensity exercise more effective than moderate-intensity exercise at reducing cardiovascular risk? Scott Med J, 57(2), 99-102. doi:10.1258/smj.2011.011284
Reynolds, K. (2016). Impact of visual feedback on exercise intensity and motivation. Geraadpleegd van
https://pdfs.semanticscholar.org/45ec/92c1cdc525c1cc84204b6a961945ee5dc226.pdf Rubin, A. (2009). The uses-and-gratifications perspective on media effects. In J. Bryant, & M.
Oliver (Red.), Media effects: advances in theory and research (3e ed., pp. 165-184). New York, USA: Routledge.
