Food logging: kan PBFL ervoor zorgen dat gebruikers frequenter hun voeding registreren? Een experimenteel onderzoek

FOOD LOGGING: KAN PBFL ERVOOR ZORGEN

DAT GEBRUIKERS FREQUENTER HUN

VOEDING REGISTREREN?

EEN EXPERIMENTEEL ONDERZOEK

Aantal woorden: 9298

Marthe Vanroose

Promotor: Prof. dr. Jeroen Stragier

Copromotor: Kyle Van Gaeveren

Masterproef voorgelegd voor het behalen van de graad master in de richting Communicatiewetenschappen afstudeerrichting Nieuwe Media en Maatschappij Academiejaar: 2019-2020

Deze pagina is niet beschikbaar omdat ze persoonsgegevens bevat.

Universiteitsbibliotheek Gent, 2021.

This page is not available because it contains personal information.

Ghent University, Library, 2021.

3

Woord vooraf

Deze masterproef vormt het sluitstuk van mijn opleiding Communicatiewetenschappen met als afstudeerrichting Nieuwe Media en Maatschappij. Het is een zeer intensieve periode geweest waarin ik veel bijgeleerd heb op zowel wetenschappelijk als persoonlijk vlak. Het schrijven van deze masterproef zou echter niet haalbaar geweest zijn zonder de steun en hulp van een aantal mensen die ik hier graag even in de schijnwerpers zet.

Allereerst wil ik mijn promotor Prof. Dr. Jeroen Stragier bedanken voor zijn constructieve feedback en begeleiding. Zonder zijn deskundigheid zou ik deze masterproef niet tot een goed einde gebracht hebben. Ik kon ook steeds met mijn vragen bij hem terecht wanneer ik het even niet meer wist.

Verder gaat mijn dank uit naar alle mensen die deelnamen aan het experiment van deze masterproef. Zonder hun inzet en tijd was het niet mogelijk geweest om voldoende data te verzamelen, resultaten te bekomen en deze masterproef te kunnen schrijven.

Daarnaast wil ik mijn vriend bedanken voor de steun en het vertrouwen die hij steeds in mij had tijdens dit traject en mijn volledige opleiding. Ik kon steeds op hem rekenen en kon altijd bij hem terecht als ik het even niet meer zag zitten. Een laatste woord van dank gaat uit naar mijn zus, familie en vrienden die telkens klaar stonden met een luisterend oor en advies indien nodig. Deze mensen stonden steeds klaar voor mij en verdienden het daarom ook om even in de verf gezet te worden.

Heel erg bedankt allemaal! Marthe Vanroose

4

Abstract

Tracking a person’s food intake can be important for many reasons, one of them is weight loss. For some people, with diseases like obesity, it can even be vital. There are many ways that a person can track their food intake, like keeping a food journal or using an application to manually do so. Research has shown that these types of methods aren’t asconvenient as people want them to be. It can be time consuming and burdensome to track food intake like that. That’s why researchers began to investigate new technologies and methods for food logging. Some researchers came with the idea of a photography based food logging method. This method analyses taken pictures and gives automatic information, for example the calorie count. There has been some research done with this method, but not many studies conducted the experience of users with this method. This is why the aim of this research is to examine if photography based food logging is a method where users will track their food more frequently then when using a manual food logging application. To answer this research question, an experiment (n = 62) has been executed where two groups of participants got an application that they had to use for two weeks. One group got a manual food logging application, the other group got a photography based food logging application. Each group filled out three questionnaires, one before the experiment, one after the experiment and one a month after the experiment. The results of the experiment reveal that the participants actually logged their food more frequently when using the manual food logging application. However this result was due to the usability of the applications. The usability of the manual application was significantly higher than the usability of the PBFL application.

5

Inhoudsopgave

1. Inleiding ... 6

2. Literatuurstudie en theoretisch kader ... 8

2.1 Gedragsverandering ... 8

Social Cognitive Theory (SCT) ... 8

Theory Of Planned Behaviour (TOPB) ... 9

Gedragsveranderingstechnieken ... 11

2.2 Gebruiksvriendelijkheid ... 12

2.3 Food logging methoden ... 12

Manueel registreren met applicatie ... 13

Photography based food logging ... 14

3. Hypotheseopbouw ... 15 4. Methode ... 18 4.1 Onderzoeksdesign ... 18 4.2 Procedure ... 19 4.3 Respondenten ... 20 4.4 Materiaal ... 21 Applicaties ... 21 Meetschalen ... 21 5. Resultaten ... 23 5.1 Frequentie registraties ... 23 5.2 Opmerkingen applicaties... 25

5.3 Eén maand na het experiment ... 25

6. Discussie en conclusie ... 29

6.1 Samenvatting resultaten en theoretische implicaties ... 29

6.2 Beperkingen studie en suggesties voor verder onderzoek ... 31

6.3 Algemene conclusie... 32

7. Bibliografie ... 33

8. Bijlagen ... 38

Bijlage 1: Visueel sociale media bericht ... 38

Bijlage 2: Enquête 1 ... 39

Bijlage 3: Informatiewebsites deelnemers ... 45

Bijlage 4: Enquête 2 ... 46

6

1. Inleiding

Food logging kan omschreven worden als het registreren van de voeding, de voedingswaarden of de calorieën die een persoon consumeert (Blair, Luo, Ma, Lee, & Choe, 2018). Het registreren van de voeding kan belangrijk zijn om verscheidene redenen, onder andere om gewichtsverlies te faciliteren bij een aandoening zoals obesitas (Beijbom, Joshi, Morris, Saponas, & Khullar, 2015; Cordeiro et al., 2015). Obesitas is een aandoening waarbij er een overmatige vetophoping in het lichaam is, waardoor dit schadelijk kan zijn voor de gezondheid. Wanneer een persoon een Body Mass Index (BMI) heeft die groter dan of gelijk aan 30 is, dan wordt er over obesitas gesproken. BMI wordt uitgedrukt in kilogram per vierkante meter (The World Health Organization [WHO], 2018). Deze aandoening werd reeds gelinkt aan onder andere cardiovasculaire ziekten en kanker (Haslam & James, 2005). Obesitas kan dus een impact hebben op de levensverwachting en de kwaliteit ervan (Beijbom et al., 2015). The World Health Organization (WHO) schatte in 2016 dat meer dan 1.9 miljard volwassenen, 18 jaar en ouder, overgewicht hadden. Hiervan zouden meer dan 650 miljoen volwassenen obees zijn (WHO, 2018).

Er bestaan verschillende manieren en methoden om de voeding te registreren. Een voorbeeld hiervan is het gebruik maken van mobiele applicaties. Deze methode heeft als voordeel dat het een groot deel van de populatie kan bereiken (Zhao, Freeman, & Li, 2016). Daarnaast hebben de meeste mensen ook bijna altijd hun smartphone op zak (Klasnja & Pratt, 2012). Mobiele applicaties zouden dus een goedkope en gemakkelijke manier kunnen zijn om bijvoorbeeld gezondheidsinterventies aan de man te brengen (Zhao et al., 2016). Door de mogelijke positieve effecten die applicaties op de gezondheid kunnen hebben en de mogelijkheid om applicaties in te zetten als hulpmiddel bij gedragsverandering, is er een toenemende interesse ontstaan bij onder andere commerciële bedrijven en volksgezondheidsorganisaties (Santoro, Castelnuovo, Zoppis, Mauri, & Sicurello, 2015). De laatste jaren zijn er dan ook meer en meer applicaties en apparaten (bv. pedometer en smartwatches) op de markt gebracht om persoonlijke informatie te registreren met betrekking tot de gezondheid en het welbevinden (Riley et al., 2011). Mensen maken ook steeds meer gebruik van dergelijke gezondheidsapplicaties. Zo kunnen zo bijvoorbeeld gemakkelijk hun gewicht, slaappatroon en activiteiten registreren en opvolgen (Kratzke & Cox, 2012). Het registreren van de voedselinname gebeurt meestal nog manueel, de gebruiker moet hierbij de gegevens zelf intypen. Dit aspect kan als tijdsintensief ervaren worden (Myers et al., 2015). Het registreren is deels gemakkelijker gemaakt door applicaties die het scannen van barcodes ondersteunen (Rooksby, Rost, Morrison, & Chalmers, 2014). Ondanks de vorderingen ondervinden gebruikers nog steeds moeilijkheden. Mensen vergeten bijvoorbeeld hun voeding te registreren of ervaren het registreren als hinderlijk (Beijboom et al., 2015; Myers et al., 2015; Zepeda & Deal, 2008). Hierdoor bestaat het risico dat mensen afhaken en stoppen met de registraties. Om dit te vermijden werd er onderzoek verricht om zo een betere methode te vinden

7 voor de voedingsregistratie. Zo werden studies gedaan naar voedingsdetectie door middel van fotografie (Ciocca, Napoletano, & Schettini, 2017; Kagaya, Aizawa, & Ogawa, 2014; Merler, Wu, Uceda-Sosa, Nguyen, & Smith, 2016; Myers et al., 2015). Deze methode wordt photography based food logging (PBFL) genoemd. Er werden reeds verschillende onderzoeken uitgevoerd omtrent de technologie zelf, die overigens nog kan verbeteren in de toekomst (Cordeiro et al., 2015). Ondanks de onderzoeken die reeds verricht werden omtrent deze methode, focusten nog weinig studies zich op de ervaringen van gebruikers met betrekking tot deze technologie en of ze met deze methode vaker hun voeding registreren. De onderzoeksvraag van deze masterproef vloeit hieruit voort: “Kan PBFL een voedingsregistratiemethode zijn die ervoor zorgt dat gebruikers hun voeding frequenter registeren in vergelijking met een manuele registratie methode?” Om hierop te antwoorden zal ook nagegaan worden of een aantal factoren zoals de gebruiksvriendelijkheid, de gezondheidsperceptie en de zelfregulerende vaardigheden een invloed uitoefenen op de frequentie van registratie.

In het volgende stuk wordt een overzicht van de bestaande literatuur omtrent food logging gegeven. Daarna worden de opgestelde hypothesen onderbouwd en besproken. Vervolgens wordt een beschrijving gegeven van de gehanteerde methode voor dit onderzoek en worden de resultaten uit het experiment uitgelicht. Als laatste komt de discussie en conclusie aan bod waarin onder andere aanbevelingen voor verder onderzoek en beperking van deze masterproef besproken worden.

8

2. Literatuurstudie en theoretisch kader

2.1 Gedragsverandering

Smartphones en mobiele applicaties kunnen gebruikt worden om aan zelfmonitoring te doen. Mensen doen aan zelfmonitoring om bijvoorbeeld gezondheidsgedrag te behouden of te veranderen (Kratzke & Cox, 2012). Het kan er ook voor zorgen dat er een grotere betrokkenheid is met de eigen gezondheid, wat een gunstig effect kan hebben op de eigen levensstijl (Notenboom, Blankers, Goudriaan, & Groot, 2012). Applicaties en technologieën die gebruikt worden om aan zelfmonitoring te doen, kunnen in verband gebracht worden met gedragsverandering. Het blijkt dan ook dat interventies en technologieën die gebaseerd zijn op gedragsveranderingstheorieën en -technieken betere en effectievere interventies zijn (Michie, & Johnston, 2012; Zhao et al., 2016). Dit komt onder andere doordat deze de gedragsverandering vollediger aanpakken. (Riley et al., 2011). Zo werden onder andere de Theory Of Planned Behaviour (TOPB; Ajzen, 1991) en de Social Cognitive Theory (SCT; Bandura, 1991) reeds gebruikt als basis voor verschillende elektronische gezondheidsinterventies om bijvoorbeeld gewichtsverlies te bekomen (Riley et al., 2011). Deze twee theorieën komen vaak voor bij onderzoeken rond gewichtsverlies, aangezien ze beide het element ‘self-efficacy’ bevatten (Bandura, 1998). Self-efficacy kan omschreven worden als het geloof en de overtuigingen die een persoon heeft in zijn of haar eigen kunnen en hoe goed een persoon de eigen competenties inschat in bepaalde situaties (Bandura, 1997). De Social Cognitive Theory en de Theory Of Planned Bahaviour worden hieronder uitgelicht en kort besproken.

Social Cognitive Theory (SCT)

De Social Cognitive Theory is een benadering die vaak terugkomt in de literatuur, het is dan ook een van de meeste gebruikte theorieën op vlak van gedragsverandering (Chin, & Mansori, 2018; Rabbi, Pfammatter, Zhang, Spring, & Choudhury, 2015). De SCT ligt ook vaak aan de basis van applicaties die als doel hebben om gedragsverandering te bekomen of om een bepaald gedrag te onderhouden (Riley et al., 2011). Het uitgangspunt van deze theorie is de interactie tussen gedrags-, persoonlijke- en omgevingsfactoren. Deze factoren kunnen een invloed hebben op het gedrag en de motivatie van mensen (Bandura, 1991). De interacties van deze factoren werden visueel weergegeven in figuur 1.

9 Binnen de persoonlijke factoren is zelfregulering een belangrijk aspect. Zelfregulering kan omschreven worden als een regel of afspraak die iemand zelf opstelt en uitvoert (Bandura, 1991). Zelfregulering en zelfregulerende vaardigheden kunnen een rol spelen bij onder andere het maken van gezondere voedingskeuzes (Anderson, Richard, Winett, & Wojcik, 2007; Bandura, 1997). Binnen het zelfregulerend systeem bevindt zich het element ‘self-efficacy.’ Zoals reeds aangehaald kan self-efficacy omschreven worden als het geloof dat een persoon heeft in zijn of haar eigen kunnen en hoe goed een persoon de eigen competenties inschat in bepaalde situaties (Bandura, 1997). De SCT stelt dat om een actie te ondernemen, een persoon een gevoel van self-efficacy moet hebben en vertrouwen moet hebben dat hij/zij deze actie kan ondernemen (Anderson et al., 2007; Rabbi et al., 2015). Hoe hoger de self-efficacy en de zelfregulerende vaardigheden, des te minder moeite deze persoon moet doen om het gedrag te stellen en hoe meer kans er is dat de persoon het gedrag als een gewoonte gaat zien (Rabbi et al., 2015).

Theory Of Planned Behaviour (TOPB)

De Theory Of Planned Behaviour is een theoretisch model dat ontworpen werd om menselijk gedrag te voorspellen en te verklaren in bepaalde contexten (Ajzen, 1985). Deze benadering werd reeds gebruikt als basis voor verschillende applicaties die als doel hebben om gedragsverandering te bekomen (Zhao et al., 2016). Het centrale concept van deze theorie is de intentie om een bepaald gedrag te stellen. Het is een indicator van hoe hard een persoon zich wil inzetten. Hoe sterker de intentie voor een bepaald gedrag is, hoe groter de kans dat het zal gebeuren (Ajzen, 1985). Dit kan bijvoorbeeld betrokken worden tot het registreren van voeding om gewichtsverlies te bekomen. Als iemand zich inzet hiervoor en de intentie stelt om dit te verwezenlijken, is de kans groter dat die persoon het gedrag stelt om zijn/ haar doel te bereiken.

10 De intentie om een bepaald gedrag te vertonen, hangt echter nog af van een aantal factoren. Deze factoren zijn de attitude die de persoon heeft tegenover het bepaald gedrag, de subjectieve normen en de waargenomen gedragscontrole (Ajzen, 1991). De attitude omvat of een persoon een positieve of negatieve perceptie heeft tegenover het gedrag. De tweede factor, de subjectieve norm, is een sociale factor. Deze verwijst naar de sociale druk die een persoon kan ervaren om het gedrag al dan niet te stellen. De waargenomen gedragscontrole is een factor die de waarneming van de persoon omvat omtrent de moeilijkheidsgraad om het gedrag uit te voeren (Azjen, 1991). Deze laatste factor hangt samen met de self-efficacy van een persoon (Bandura, 1998). Hoe positiever de drie factoren zijn tegenover het gedrag, hoe sterker de intentie van een individu zou moeten zijn om het gedrag te stellen (Azjen, 1985). In het achterhoofd moet wel gehouden worden dat de relevantie van deze factoren verschillend kan zijn bij verschillende gedragingen en situaties. Daarbij kunnen ook nog andere factoren een invloed uitoefenen op het gedrag, zoals de financiële situatie van een persoon (Ajzen, 1991). De visuele weergave van de TOPB kan teruggevonden worden in figuur 2.

11

Gedragsveranderingstechnieken

Naast de besproken theorieën zijn er ook gedragsveranderingstechnieken die aan de basis kunnen liggen van interventies om aanpassingen in het gedrag te bekomen. Gedragsveranderingstechnieken zijn de kleinste factoren van een interventie (Michie & Johnston, 2012) en kunnen op zich al leiden tot gedragsverandering (Cane, Richardson, Johnston, Ladha, & Michie, 2014). Er werden reeds onderzoeken verricht om na te gaan welke gedragsveranderingstechnieken achter bepaalde mobiele applicaties schuilen. Zo konden ook verschillende technieken in verband gebracht worden met applicaties om voeding te registreren (Tang et al., 2015). Hieronder worden enkele relevante gedragsveranderingstechnieken kort beschreven.

Een eerste techniek is zelfmonitoring. Dit is een van de meest gebruikte technieken in applicaties die gedragsverandering als doel hebben (Zhao et al., 2016). Het aspect van zelfmonitoring includeren onderzoekers in applicaties omdat gebruikers door regelmatig aan zelfcontrole te doen, bewuster worden van hun gedrag. Zo kunnen ze meer aandacht besteden aan de levensstijlkeuzes die ze dagelijks maken en worden ze aangespoord om oude gewoontes te doorbreken (Tang et al., 2015; Tsai et al., 2007). Een tweede techniek is de feedback die de gebruiker krijgt op zijn prestaties. Door feedback te geven na de zelfmonitoring kan de positieve feedback geïnternaliseerd worden, hierdoor kan de gebruiker zelf de verandering ondersteunen en kan de self-efficacy verbeterd worden (Tang et al., 2015). Daarnaast kan persoonlijke feedback op de vooruitgang en doelen van de gebruiker ervoor zorgen dat de gebruiker de applicaties voor een langere tijd gaat gebruiken (Zhao et al., 2016). Een derde techniek is het gebruikmaken van gepersonaliseerde berichten of meldingen. Gebruikers ervaren gepersonaliseerde voedingssuggesties als aangenamer dan algemene suggesties (Rabbi et al., 2015; Zhao et al., 2016). Als laatste wordt het zetten van doelen ook vaak gebruikt in mobiele applicaties (Carter, Burley, Nykjaer, & Cade, 2013). Gebruikers kunnen bijvoorbeeld doelen zetten met betrekking tot onder andere de calorie-inname of het gewicht.

12

2.2 Gebruiksvriendelijkheid

Ontwerpkenmerken van applicaties, zoals een goede interface, kunnen zorgen voor een betere gebruiksvriendelijkheid en kunnen de mate van engagement van gebruikers beïnvloeden (Tang et al., 2015; Zhao et al., 2016). Usability of gebruiksvriendelijkheid is een breed begrip. De International Organization for Standardization (ISO) definieert het als:

“the extent to which a system, product or service can be used by specified users to achieve specified goals with effectiveness, efficiency and satisfaction in a specified context of use” (ISO 9241-11, 2018).

Zoals hierboven reeds aangehaald is een eenvoudige, aantrekkelijke interface met een goed design, een kenmerk van applicaties dat kan bijdragen aan de gebruiksvriendelijkheid. Dit aspect kan het dagelijks gebruik en engagement bij gebruikers verhogen (Zhao et al., 2016). Daarnaast kan een goed werkende database dat voldoende voedingsitems bezit bijdragen aan de gebruiksvriendelijkheid van een applicatie (Tang et al., 2015). Deze voorbeelden tonen aan dat gebruiksvriendelijkheid een gegeven is waarmee rekening gehouden moet worden bij de keuze van een gezondheidsapplicaties (Kratzke & Cox, 2012). Het is dan ook een belangrijk aspect voor gebruikers in hun keuze van welke applicatie ze willen gebruiken en adopteren (Tang et al., 2015). Vaak zetten onderzoekers ook vragenlijsten in om de gebruiksvriendelijkheid van applicaties te testen en om de ervaringen van gebruikers met een bepaald systeem of product na te gaan (Gao, Kortum, & Oswald, 2018). In het experiment van deze masterproef werd ook gebruikgemaakt van zo’n vragenlijst, namelijk de Usefulness, Satisfaction and Ease of use quesionnaire (USE; Lund, 2001). Vele schalen worden ontwikkeld voor een specifieke technologie of toepassing, maar de USE questionnaire kan breed ingezet worden voor verschillende soorten technologieën (Gao et al.,2018). Dit is dan ook de reden waarom deze schaal gehanteerd werd in het experiment van deze masterproef.

2.3 Food logging methoden

Er zijn verschillende methoden die gebruikt kunnen worden om voeding te registreren en aan zelfmonitoring te doen. Zo kunnen maaltijden en voedingsitems geregistreerd worden door gebruik te maken van een papieren voedingsdagboek, een applicatie om manueel te registreren en een applicatie met een scanfunctie. Daarnaast is er ook nog een recentere methode die op fotografie gebaseerd is (PBFL). Hieronder worden de methode om met een applicatie manueel te registreren en de op fotografie gebaseerde methode verder uitgelicht. Er werd gekozen om met deze twee methoden verder te gaan en te vergelijken, aangezien het interessant lijkt om de meest gebruikte systeem te vergelijken met de nieuwste systeem.

13

Manueel registreren met applicatie

Applicaties om manueel de voeding te registreren, zijn veel voorkomend. Zo zijn er bijvoorbeeld veel zo’n applicaties te vinden in de App store voor IOS en de Play Store voor Android. Het is ook een snel groeiend veld om mobiele technologieën in te zetten voor interventies met betrekking tot gezondheidsgedrag (Riley et al., 2011). Een van de reden hiervoor is dat mobiele applicaties ideaal zijn om simpele en effectieve interventies uit te voeren. Het is dan ook een voordeel dat ze een groot deel van de populatie makkelijk kunnen bereiken (Zhao et al., 2016). Een toepassing van waar mobiele applicaties kunnen worden ingezet, is bij aandoeningen die het bijhouden van de voedselinname vereisen of aanraden, zoals bij bepaalde nieraandoeningen en bij obesitas (Beijbom et al., 2015; Campbell & Porter, 2015). In de applicaties kunnen gebruikers meestal een aantal persoonlijke gegevens zoals lengte en gewicht invullen. Daarnaast kan ook het gewenste doel gespecifieerd worden, zoals gewichtsverlies. Door deze gegevens aan de applicatie aan te bieden, berekent het bijvoorbeeld hoeveel calorieën de gebruiker ongeveer mag/ moet innemen afhankelijk van het vooropgestelde doel. Wanneer de gebruiker een voedingsmiddel manueel ingeeft, kan de applicatie informatie hierover verschaffen door middel van een database.

Dit soort applicaties vervangen grotendeels hun voorloper, de papieren dagboeken, aangezien ze potentieel een aantal beperkingen ervan kunnen opheffen(Rusin et al., 2013; Sharp & Allman-Farinelli, 2014). Een voorbeeld hiervan is dat de calorieën en voedingswaarden automatisch berekend worden in applicaties. Bij een papieren voedingsdagboek moeten de gebruikers dit zelf nog berekenen en bekijken, wat meer inspanning vereist en meer tijd kost (Hutchesson, Rollo, Callister, & Collins, 2014). Bovendien kunnen gebruikers van applicaties onmiddellijk feedback waarnemen over hun voedingsinname en kunnen ze op deze manier sneller tot inzichten komen (Chen, Bauman, & Allman-Farinell, 2016). Uit vorig onderzoek bleek ook dat gebruikers die via een applicatie hun voeding registreren, dit langer volhouden en ook vaker registreren in vergelijking met een papieren voedingsdagboek (Carter et al., 2013). Er zijn dus zeker voordelen verbonden aan het gebruik van mobiele applicaties om voeding te registreren. Toch bleek uit onderzoek dat er nog steeds beperkingen te vinden zijn. Zo blijkt dat gebruikers de neiging hebben om te vergeten hun maaltijden te registreren (Beijboom et al., 2015; Myers et al., 2015; Zepeda & Deal, 2008). Daarnaast vergeten mensen ook vaak om bereidingsmiddelen als boter toe te voegen aan hun registraties (Chen, Berkman, Bardouh, Kammy, & Allman-Farinelli, 2019). Ook de database zelf kan voor problemen zorgen. Zo kan het enerzijds voorkomen dat er te veel opties zijn om eenzelfde item te registreren en anderzijds kan het voorkomen dat sommige voedingsmiddelen niet in de database te vinden zijn (Cordeiro et al., 2015). Door de hierboven beschreven struikelblokken kan het registreren via een manuele applicatie toch nog veel tijd in beslag nemen (Chen et al., 2019). Hierdoor kan de motivatie om de applicaties op lange termijn te gebruiken, dalen (Laing et al., 2014).

14

Photography based food logging

Photography based food logging (PBFL) kan omschreven worden als het registreren van de voedingsinname door gebruik te maken van fotografie. Bij deze methode wordt er gewerkt met een systeem dat de genomen foto’s analyseert en inschat wat er op de foto te zien is (Pang, Tian & Poon, 2018). Veel mensen nemen reeds foto’s van hun maaltijden om onder andere op sociale media te posten. Een studie toonde ook aan dat wanneer mensen een foto nemen van hun voeding vooraleer ze het consumeren, ze een bewustere keuze maken wat gewichtsverlies kan bevorderen (Blair et al., 2018; Zepeda & Deal, 2008). Er wordt meer en meer aandacht besteed aan deze methode. Er zijn dan ook reeds een aantal onderzoeken verricht rond dit onderwerp en deze technologie. Toch is deze voedselherkenningstechniek een relatief nieuw onderzoeksgebied en moet er nog veel meer onderzoek rond verricht worden (Pang et al., 2018).

Om voeding te registreren door middel van PBFL, is de eerste stap om een foto van ingrediënten, voedingsmiddelen of een maaltijd te nemen. Hierna kan het systeem analyses uitvoeren om bijvoorbeeld de calorieën en voedingstoffen in kaart te brengen (Kitamura, De Silva, Yamasaki, & Aizawa, 2010). Om na te gaan of er meerdere items op de foto te zien zijn, kan multiple object detection ingezet worden (Rawlani et al., 2018). Meestal wordt gebruik gemaakt van databases en Convolutional Neural Networks (CNN) om de analyses uit te kunnen voeren (Myers et al., 2015).Een CNN is een deep learning applicatie en situeert zich binnen het veld van artificiële intelligentie. Het kan gebruikt worden voor onder andere beeld- en objectherkenning (Shin et al., 2016). Om de portiegrootte in te schatten, kan een op segmentatie gebaseerde aanpak worden gebruikt. Om over te gaan naar de hoeveelheid calorieën in een product, kan een database gebruikt worden waarin de voedingsitems met de bijbehorende caloriedensiteit opgelijst staan (Myers et al., 2015). Eenmaal deze analyses uitgevoerd zijn, krijgen gebruikers een aantal labels te zien die volgens de applicatie het meest relevant zijn. De gebruiker kan ook nog steeds zelf labels toevoegen of verwijderen indien deze niet kloppen (Rawlani et al, 2018).

Zoals reeds aangehaald, werden al een aantal onderzoeken uitgevoerd omtrent PBFL. In bepaalde studies ontwikkelden en stelden onderzoekers PBFL applicaties voor. Toch staan deze meestal nog niet helemaal op punt en kunnen er nog problemen de kop op steken. Zo kan het bijvoorbeeld voorkomen dat niet alle soorten voeding in de dataset te vinden zijn (Tiankaew et al., 2018). Ook is de voedingsdetectie niet altijd even consistent, waardoor gedetecteerde gerechten verschillende caloriewaarden kunnen weergeven (Rawlani et al., 2018). Een ander probleem dat zich voor kan doen is dat er op een foto niet altijd zichtbaar is hoe iemand zijn eten heeft bereid, ook de hoeveelheid is niet altijd gemakkelijk in te schatten (Beijbom et al., 2015). Het zou ideaal zijn mocht er een goed werkende, automatische methode ontwikkeld worden die de voedingswaarden van een maaltijd kan inschatten uit één of meerder afbeeldingen, maar het zal niet evident zijn om dit te verwezenlijken. Ook al zou er een perfecte visuele interpretatie mogelijk zijn, kan er

15 nog steeds niet gezien worden wat er precies in de voeding zit, bijvoorbeeld in een burrito of een wrap (Meyers et al., 2015; Sahoo et al., 2019). Het systeem kan wel de voeding detecteren en registreren wat zichtbaar is, maar moet daarna feedback vragen aan de gebruiker. In de toekomst zal er dus zeker nog gewerkt moeten worden aan deze technologie aangezien er nog een aantal struikelblokken kunnen voorkomen (Cordeiro et al., 2015).

Ondanks de uitgevoerd onderzoeken zijn er nog weinig applicaties op de markt die consumenten kunnen aanschaffen en die bovendien naar behoren werken. De meeste applicaties zijn nog volop in ontwikkeling. Een aantal voorbeelden van applicaties zijn: de Google Im2Calories app (Merler et al., 2016), Dietlens (Ming et al., 2018) en Calorie Mama AI (Azumio inc., 2018). Deze laatste zal gebruikt worden tijdens het experiment van deze masterproef. Calorie Mama AI is een applicatie die gebruikt maakt van deep learning om automatisch calorieën te berekenen vanuit een foto (Rawlani et al., 2018; Tiankaew, Chunpongthong, & Mettanant, 2018). Er werd gekozen om deze applicatie te gebruiken omdat het reeds gratis gedownload kan worden in België in de App Store en de Play Store.

3. Hypotheseopbouw

Uit de literatuurstudie bleek dat manuele voedingsregistratiemethoden soms als hinderlijk en tijdsintensief ervaren worden (Beijbom et al., 2015; Myers et al., 2015). Het probleem hierbij is dat mensen afhaken en stoppen met registreren. Doordat deze manuele methoden niet altijd even effectief zijn, werden onderzoeken opgezet om een nieuwe methode te vinden die deze problemen kan opheffen. Onderzoekers kwamen naar voren met een nieuwe methode, namelijk registratie van voeding gebaseerd op fotografie (Ciocca et al., 2017; Kagaya et al., 2014; Merler et al., 2016; Myers et al., 2015). Uit onderzoek bleek reeds dat gebruikers ondervonden dat er minder tijd gestoken moest worden in het registreren via fotografie en dat het een veelbelovende nieuwe methode is. Daarbij kwam ook naar boven dat deze methode ervoor kan zorgen voor groter engagement bij gebruikers(Ming et al., 2018). Toch werd nog onvoldoende onderzoek verricht omtrent hoe gebruikers dit soort applicaties ervaren en of ze hiermee vaker hun voeding zouden registreren. Dit is dan ook de onderzoeksvraag van deze masterproef geworden. Uit de onderzoeksvraag en de literatuurstudie vloeide de eerste hypothese voort die we in dit onderzoeken willen nagaan.

H1: Bij PBFL gaan participanten hun voeding frequenter registreren in vergelijking met de manuele methode.

16 Manuele registratiemethoden worden, zoals hierboven reeds aangehaald, soms ervaren als hinderlijk en tijdsintensief (Beijbom et al., 2015; Myers et al., 2015). Deze aspecten kunnen te maken hebben met de gebruiksvriendelijkheid van een applicatie. Zo kunnen bepaalde ontwerpkenmerken, zoals een duidelijke interface, zorgen voor een betere gebruiksvriendelijkheid. Dit kan op zijn buurt het engagement van gebruikers op een positieve manier beïnvloeden (Tang et al., 2015; Zhao et al., 2016). Omgekeerd kan het voorkomen dat wanneer applicaties niet gebruiksvriendelijk genoeg zijn en ze bijvoorbeeld te veel inspanning van de gebruiker vereisen, dit voor meer weerstand zorgt bij gebruikers. Hierdoor is er een kans dat ze minder vaak en minder accuraat hun voeding registreren (Cordeiro et al., 2015). Er is dan ook een reden dat onderzoekers de ervaringen van gebruikers met bijvoorbeeld applicaties te weten willen komen door gebruik te maken van bijvoorbeeld gebruiksvriendelijkheidsvragenlijsten (Gao, Kortum, & Oswald, 2018). Uit onderzoek bleek reeds dat PBFL minder hinderlijk en meer gebruiksvriendelijk kan zijn dan manuele methoden door de automatische voedselherkenningsfunctie (Ming et al., 2018). Hierdoor wordt ook de assumptie gemaakt dat gebruikers PBFL als gebruiksvriendelijker zullen ervaren, waardoor ze de applicatie ook frequenter zullen gebruiken om hun voeding te registreren. Zo komen we tot de tweede hypothese binnen dit onderzoek.

H2: Bij PBFL zullen de participanten vaker hun voeding registreren, omdat deze gebruiksvriendelijker is in vergelijking met de manuele methode.

Zoals in de literatuurstudie reeds aangehaald werd, spelen zelfregulering en zelfregulerende vaardigheden een rol bij de gedragsverandering (Ajzen, 1991; Bandura, 1991). Door aan zelfregulering te doen, worden mensen bewuster van hun gedrag, waardoor ze meer aandacht geven aan de levensstijlkeuzes die ze dagelijks maken (Tsai et al., 2007). Deze vaardigheden dragen dan ook bij aan het maken van gezonde voedingskeuzes (Anderson et al., 2007; Bandura, 1997). Daarbovenop vergemakkelijken het bezit van deze vaardigheden, het doelgericht gedrag van een persoon. Hierdoor kan een persoon bijvoorbeeld beter de gewenste resultaten bekomen die hij/ zijn vooropgesteld had (Neal & Carey, 2005). De redenering die hieruit volgt, is dat het logisch zou zijn dat mensen met meer zelfregulerende vaardigheden bezitten, vaker hun voeding zouden registreren. Dit brengt ons tot de derde hypothese die we in het experiment van dit onderzoeken willen testen.

H3: De zelfregulerende vaardigheden die mensen bezitten zullen een invloed hebben op het aantal registraties.

17 In de literatuurstudie kwam reeds naar boven dat de intentie om een bepaald gedrag te stellen, af kan hangen van verschillende factoren. De perceptie die een persoon heeft omtrent een bepaald gedrag, is zo’n factor (Ajzen, 1991; Rooksby et al., 2015). Een positieve ingesteldheid of perceptie kan bijvoorbeeld voor een grotere mate van self-efficacy zorgen en dus een hogere inschatting van de eigen competenties (Bandura, 1997; Bandura, 1998). Hierdoor kan iemand meer inzet vertonen om een bepaald gedrag te stellen en zal de kans groter zijn dat deze persoon zijn/haar doel zal bereiken (Ajzen, 1985; Rabbi et al., 2015). Deze factoren en de motivatie die iemand heeft, dragen bij tot het meebepalen van iemands inzet om gedragsverandering te bekomen, het gedrag voort te zetten en het onderhouden ervan (Bandura, 1998; Orji et al., 2013). Hoe beter mensen zichzelf inschatten en hoe beter hun eigen perceptie is om gewenst gedrag te bekomen, hoe meer ze dus betrokken zullen zijn met hun doel en hoe meer ze hun best zullen doen om dit doel te behalen (Bandura, 1998). Een logische redenering zou zijn dat mensen die hun gezondheid vooropstellen en dus een positievere attitude en perceptie hebben omtrent hun gezondheid, frequenter hun voeding zullen registreren. Uit deze redenering vloeit de vierde en laatste hypothese voort.

H4: De perceptie en overtuigingen die mensen hebben over hun gezondheid zal een invloed hebben op het aantal registraties.

18

4. Methode

4.1 Onderzoeksdesign

De centrale onderzoeksvraag van dit onderzoek is of PBFL een voedingsregistratie methode is die ervoor kan zorgen dat mensen hun voeding frequenter registreren in vergelijking met een manuele registratiemethode. Daarnaast werden uit de literatuur een aantal hypothesen opgesteld. Om een antwoord te bieden op deze onderzoeksvraag en om de hypothesen te toetsten, werd gekozen om een kwantitatief experiment uit te voeren. Bij het experiment werden de participanten in twee gelijkaardige groepen verdeeld. Elke groep kreeg een mobiele applicatie toegewezen waarmee ze alle voeding die ze consumeerden gedurende twee weken moesten registreren. In de literatuur konden verschillende tijdsperioden teruggevonden worden voor gelijkaardige onderzoeken. Sommige studies lieten participanten slechts één week hun voeding registreren, terwijl andere studies een half jaar in beslag namen. Er werd gekozen voor de tijdsperiode van twee weken aangezien het haalbaar en realiseerbaar moest zijn om uit te voeren. Daarnaast moest het ook haalbaar zijn om voldoende participanten te motiveren om twee weken hun voeding te registreren voor dit experiment.

De onafhankelijke variabele in dit onderzoeksdesign is de manier om voeding te registreren. Hiervoor werden twee applicaties ingezet die ook de twee condities van het experiment vormden (tabel 1). Deze applicaties worden verder nog besproken. Er werd gebruik gemaakt van een between-group design, aangezien elke groep slecht één applicatie uittestte en dus slechts één conditie toegewezen kreeg.

De afhankelijke variabele in dit onderzoeksdesign is het aantal keer dat participanten hun voeding registreren, met andere woorden de frequentie waarmee de deelnemers de applicaties gebruiken. Naast het experiment vulden de deelnemers uit beide groepen ook drie enquêtes in. Deze enquêtes waren voor beide groepen dezelfde en werden opgesteld met Qualtrics Survey Software. De enquêtes worden verder nog besproken.

Tabel 1: overzicht condities

Conditie 1

(controle groep) Manueel voeding registreren met een applicatie. Conditie 2

19

4.2 Procedure

Vooraleer het experiment van start ging, werd een pre-test uitgevoerd. Er werd gekozen om een pre-test te doen, om de kwaliteit van de manipulaties na te gaan, te bekijken of het experiment haalbaar was en te zien of de vragenlijsten in orde waren. De pre-test werd uitgevoerd bij vier personen. Deze participanten testten beide applicaties/condities uit (within subjects design). Ze gebruikten elk drie dagen de PBFL applicatie en drie dagen de applicatie om manueel te registreren. Welke app ze eerst moesten gebruiken, werd random toegewezen. Naast het uittesten van de applicaties, vulden ze ook de vragenlijsten in en werd gevraagd waar ze verbeter- of aandachtspunten zagen. Door deze pre-test uit te voeren, kwam naar boven dat er nog een extra instelling in de applicaties aangepast moest worden, vooraleer ik de geregistreerde maaltijden van de deelnemers kon bekijken. Met de verzamelde data in deze pre-test werd ook getest in SPSS of de schalen voldoende betrouwbaar waren om te gebruiken. Deze analyse werd gedaan door de Cronbach’s Alpha van de schalen te bekijken.

Na de pre-test kon het rekruteren van participanten beginnen. Dit werd gedaan door een link naar de eerste enquête via sociale mediakanalen te verspreiden. De link werd ook in verschillende Facebookgroepen geplaats die gerelateerd zijn aan voeding. Bij de link werd een visuele weergave van alle informatie geplaatst, omdat deze de aandacht kan trekken in de veelheid aan berichten op sociale media. Deze visuele weergave kan teruggevonden worden in de bijlagen (cf. bijlage 1). In deze eerste survey werden eerst en vooral een aantal socio-demografische gegevens bevraagd zoals geslacht en leeftijd. Vervolgens werd bevraagd of ze frequent applicaties gebruiken om hun voeding te registreren. Daarna werden de gezondheidsperceptie en de zelfregulerende vaardigheden bevraagd. Aan het einde van de survey werd gevraagd of ze het zagen zitten om deel te aan het verdere experiment. Als ze wilden deelnemen, konden ze hun e-mailadres nalaten zodat ik ze via deze weg kon bereiken. Indien ze hun e-mailadres nalieten, werd ook vermeld dat ze akkoord gingen dat hun data gebruikt zou worden in het kader van deze masterproef. De eerste enquête kan teruggevonden worden in de bijlagen (cf. bijlage 2).

Eenmaal er voldoende participanten de eerste enquête invulden, konden deze in gelijkaardige groepen ingedeeld worden. De groepen werden random verdeeld, waarna nagegaan werd of ze niet significant van elkaar verschillen op basis van leeftijd, geslacht, zelfregulerende vaardigheden, gezondheidsperceptie en recent gebruik van soortgelijke applicaties. Nadat de groepen gevormd werden, contacteerde ik de participanten via mail met de mededeling dat ze konden beginnen met het registreren van hun voeding. In de mail stond ook een link naar een website waar alle informatie te vinden was die ze nodig hadden om te starten. Er werd een website opgesteld voor de PBFL applicatie en een voor de applicatie waarbij manueel geregistreerd moest worden. In de bijlagen staan QR-codes en de linken om de websites te bekijken (cf. bijlage 3). Op de websites stond bijvoorbeeld dat de deelnemers een vriendschapsverzoek moesten zenden

20 naar het account van het experiment. Door dit te doen kon ik zien wat en wanneer de deelnemers registreerden. Deze methode werkte voor beide applicaties. Het aantal registraties en wanneer deelnemers registreerden, werden bijgehouden in een Excel file.

Na het experiment en dus nadat de deelnemers twee weken de applicaties gebruikten, werden ze opnieuw gecontacteerd om een tweede enquête in te vullen. In deze survey werden vragen gesteld over de applicatie zelf, zoals de gebruiksvriendelijkheid ervan. Daarnaast werden ook de gezondheidsperceptie en zelfregulerende vaardigheden opnieuw bevraagd om na te gaan of er hier veranderingen opgetreden zijn. De tweede enquête kan teruggevonden worden in de bijlagen (cf. bijlage 4). Eén maand na deze tweede vragenlijst werd een derde enquête verzonden naar de deelnemers. Hierin werd bevraagd of ze al dan niet de applicatie nog gebruiken. Daarnaast werden de gezondheidsperceptie en zelfregulerende vaardigheden voor een laatste keer bevraagd, om na te gaan of er veranderingen opgetreden zijn. De derde enquête kan teruggevonden worden in de bijlagen (cf. bijlage 5). Eenmaal alle data verkregen werd, konden de analyses met SPSS uitgevoerd worden. De analyses worden verder bij de resultaten besproken.

4.3 Respondenten

Om respondenten te rekruteren, werd een link naar de eerste enquête verspreid via verschillende sociale mediakanalen om een zo groot mogelijk publiek te bereiken. Om een extra stimulans te bieden om deel te nemen aan het experiment, werd vermeld dat er op het einde van het traject een Kinepolis duo ticket verloot zou worden. Na de oproep via sociale media vulden 81 respondenten deze vragenlijst volledig in. Deze respondenten werden in gelijkaardige groepen opgedeeld door middel van randomisatie. De groepen waren gelijkaardig op basis van hun perceptie op hun gezondheid, hun zelfregulerende vaardigheden, geslacht en leeftijd. Eenmaal de groepen verdeeld waren, werden deze toegewezen aan een applicatie. Uiteindelijk namen 62 respondenten deel aan het experiment zelf. Hiervan waren 49 vrouwen en 13 mannen. De respondenten vielen binnen de vooropgestelde leeftijdscategorie van 18 tot 30 jaar (M= 23.44, SD= 2.43). Er werd voor deze leeftijdsgroep gekozen, omdat vanaf de leeftijd van 18 jaar geen informed consent moet ondertekend worden door de ouders. Daarnaast kon ook aangenomen worden dat de meesten in deze leeftijdsgroep beschikken over een smartphone waarop ze de applicatie kunnen downloaden.

Van enquête één naar het experiment haakten 19 mensen af. Hierdoor was de verdeling mannen en vrouwen niet meer gelijkaardig in de groepen. In de eerste groep (manuele applicatie) zaten negen mannen en 23 vrouwen. In de tweede groep (PBFL applicatie) zaten vier mannen en 26 vrouwen. Dit maakt voor dit onderzoek niet zoveel uit, aangezien de onderzoeksvragen en hypothesen niet gebaseerd zijn op gender.

21 Daarnaast waren er tussen de twee groepen geen significante verschillen op basis van de zelfregulerende vaardigheden, de perceptie op gezondheid en leeftijd. De tweede enquête werd na het beëindigen van het experiment verzonden. Alle respondenten die deelnamen aan het experiment vulden deze enquête volledig in (n=62). Na één maand werd de derde enquête uitgezonden. Op één persoon na, werd deze ingevuld door alle deelnemers van het experiment (n=61).

4.4 Materiaal

Applicaties

Zoals hierboven reeds aangehaald werd, gebruikten de deelnemers applicaties om hun voeding te registreren. De applicatie die gebruikt werd om manueel te registreren, was MyFitnessPal (Under Armour Inc., 2020). De applicatie die gebruikt werd om via fotografie te registreren, was Calorie Mama AI (Azumio inc., 2018). In beide applicaties is er een scanfunctie ter beschikking, maar er werd de participanten uitdrukkelijk gevraagd deze niet te gebruiken aangezien dit niet het opzet van het onderzoek is. Het enige verschil tussen de twee applicaties was dus het al dan niet fotograferen van voeding. Er werd met andere woorden slechts één aspect gemanipuleerd tijdens het experiment. De applicaties die gebruikt werden, waren gratis te downloaden. Er werd gekozen om deze twee soorten applicaties met elkaar te vergelijken, aangezien het interessant leek om de meest gebruikte soort applicatie te gaan vergelijken met de nieuwst soort applicatie.

Meetschalen

Om op de onderzoeksvraag te kunnen antwoorden en de hypothesen te kunnen testen, werden een aantal schalen gebruikt. De items van de schalen werden lichtjes aangepast om aan de context van voedingsregistratie te voldoen. Daarnaast waren de originele schalen redelijk lang, wat arbeidsintensief kan zijn voor deelnemers om in te vullen. Om drop-outs te voorkomen, werd gekozen om de schalen in te korten. Zoals hierboven reeds vermeld, werden deze verkorte schalen tijdens de pre-test getest op interne betrouwbaarheid. De schalen zijn allemaal Likertschalen met 5 punten (1=helemaal niet akkoord, 2=niet akkoord, 3=neutraal, 4= akkoord en 5= helemaal akkoord). De enquêtes waarin de schalen gebruikt werden, kunnen teruggevonden worden in de bijlagen (cf. bijlagen 2, 4 en 5). De schalen worden hieronder kort besproken.

22 Gezondheidsperceptie: Om de persoonlijke opvattingen van de deelnemers omtrent hun gezondheid te weten te komen, werden de vragen hierover gebaseerd op The Perception of Health Scale (PHS; Diamond, Becker, Arenson, Chambers, & Rosenthal, 2007; Edman, Diamond, Wortman, & Carballo-Sayao, 2011). De originele schaal bevatte vijftien items, na het inkorten, bleven nog elf vragen over. De ingekorte schaal werd getest op betrouwbaarheid tijdens de pre-test (α = .72). Echter bij het analyseren van de eindresultaten kwam naar boven dat de betrouwbaarheid van deze schaal (α = .56) niet meer dezelfde was als bij de pre-test. Dit zal bij de resultaten in het achterhoofd gehouden worden.

Zelfregulatie: Om de zelfregulerende vaardigheden van de deelnemers na te gaan, werden de vragen hiervoor gebaseerd op The Short Self Regulation Questionnaire (SSRQ; Carey, Neal, &Collins, 2004; Neal & Carey, 2005). De originele schaal bevatte 31 items, na het inkorten, bleven nog 21 vragen over. Deze ingekorte schaal werd getest op betrouwbaarheid (α = .80).

Gebruiksvriendelijkheid: Om de gebruiksvriendelijkheid van de gebruikte applicaties te onderzoeken, werden de vragen hiervoor gebaseerd op the Usefulness, Satisfaction and Ease of use Questionnaire (USE; Lund, 2001; Gao, Kortum, & Oswald, 2018). De originele schaal bevatte 30 items, na het inkorten, bleven nog 21 vragen over. Deze ingekorte schaal werd getest op betrouwbaarheid (α = .94).

23

5. Resultaten

Er werd een log-transformatie uitgevoerd op de variabele die de frequentie van de registraties weergaf. Dit werd gedaan om de lineaire fit te verbeteren. De volgende analyses werden met deze getransformeerde variabele uitgevoerd.

5.1 Frequentie registraties

De centrale onderzoeksvraag van deze masterproef is of gebruikers met PBFL frequenter hun voeding registreren in vergelijking met een manuele methode. De eerste hypothese (H1) ging ervan uit dat participanten die een PBFL applicatie gebruikten vaker zouden registreren in vergelijk met participanten die een applicatie voor manuele registratie gebruikten. De resultaten van een one-way ANOVA (F(1,61)=4.63, p=.035) toonden aan dat het aantal registraties van de respondenten in de twee condities significant van elkaar verschilden. Hierbij registreerden de participanten frequenter hun voeding met de manuele applicatie (M=1.19, SD=0.45) dan bij de PBFL applicatie (M= 0.92, SD= 0.54). De effect size toonde ook aan dat dit een medium effect had (η2 _{= .072). Ter controle werd deze test nogmaals uitgevoerd, maar dan met}

de originele variabele die de registraties weergaf in de plaats van de log variabele. Deze test bevestigde dat er inderdaad een verschil was tussen het aantal registraties met de manuele applicatie (M=22.69; SD=16.74) en de PBFL applicatie (M=14.67; SD=12.90). Dit verschil was significant (F(1,61)=4.42, p=.040)) en had een medium effect grootte (η2 _{= .069). Voor de volgende analyses werd enkel de logaritmische variabele}

gebruikt.

Om na te gaan of andere variabelen mogelijk een invloed hadden op het aantal registraties per applicatie, werden een aantal covariabelen aan dit model toegevoegd. Er werden met andere woorden een aantal ANCOVA analyses uitgevoerd. Als eerste werd nagaan of er een verschil was tussen de twee groepen op vlak van registratie, terwijl ook gekeken werd naar het effect van de zelfregulerende vaardigheden op het aantal registraties. Voor deze analyse werd de meting van de eerste enquête gebruikt, omdat zo gekeken kon worden of de initiële zelfregulerende vaardigheden die personen bezitten een invloed kon hebben op het aantal registraties. Er werd een significant effect gevonden van de gebruikte applicatie op het aantal registraties na de controle voor het effect van de zelfregulerende vaardigheden, F(1, 59)= 4.72, p= .034. De covariabele, zelfregulerende vaardigheden, was niet significant gerelateerd aan het aantal registraties, F(1, 59)= 0.85, p= .359.

24 Een tweede effect dat werd nagegaan, is of er een verschil was tussen de twee groepen op vlak van registratie terwijl ook gekeken werd naar het effect van de gezondheidsperceptie op het aantal registraties. Voor deze analyse werd, net zoals bij de zelfregulerende vaardigheden, de meting uit de eerste enquête gebruikt. Er werd een significant effect gevonden van de gebruikte applicatie op het aantal registraties na de controle voor het effect van de gezondheidsperceptie, F(1, 59)= 4.58, p=.036. De covariabele, gezondheidsperceptie, was niet significant gerelateerd aan het aantal registraties, F(1, 59)= 0.073, p= .788. Bij deze covariabele moet wel in het achterhoofd gehouden worden dat de schaal die de gezondheidsperceptie mat, tijdens het experiment niet meer zo betrouwbaar bleek.

Een derde covariabele die getest werd, is of de gebruiksvriendelijkheid van een applicatie een invloed uitoefende op het verschil tussen de twee groepen op vlak van aantal registraties. Uit deze ANCOVA test bleek dat er niet langer een significant effect was van de gebruikte applicatie op het aantal registraties, indien gecontroleerd werd voor het effect van de gebruiksvriendelijkheid, F(1, 59)= 0.87, p=.354. De covariabele, gebruiksvriendelijkheid, bleek dus significant gerelateerd te zijn aan het aantal registraties, F(1, 59)= 16.64, p< .001. Door een ANOVA test uit te voeren bleek dat de gebruiksvriendelijkheid significant verschilt tussen de twee groepen en dus de twee applicaties (F(1,61)=7.35, p=.009, η²=.11). De deelnemers die de manuele applicatie (M=3.36, SD=0.62) gebruikten ondervonden deze dus gemiddeld als gebruiksvriendelijker dan de deelnemers die de PBFL applicatie (M=2.94, SD=0.62) gebruikten. Dit verschil kan ervoor gezorgd hebben dat de participanten van de manuele applicatie hun voeding frequenter registreerden dan de participanten die de PBFL applicatie uittestten. Om dit onderliggend proces te testen, werd een mediatie analyse uitgevoerd (Hayes, 2013, model 4, 5000 bootstrap resamples). Deze analyse toonde aan dat de applicatie indirect de registraties beïnvloedde door de gebruiksvriendelijkheid van de applicaties (a*b=-.16, SE= .07, 95% CI= [-.32, -.038]). De manuele applicatie leidde tot een betere gebruiksvriendelijkheid (a=.-43, SE=-2.71, p=.009) en een betere gebruiksvriendelijkheid leidde tot meer registraties (b=.37, SE=4.08, p< .001). In figuur 3 staat het mediatiemodel visueel uitgewerkt.

25

5.2 Opmerkingen applicaties

Bij de enquête die net na het experiment verzonden werd, was er de mogelijk voor participanten om een opmerking na te laten omtrent de applicatie die ze gebruikten. Deze vraag beantwoorden was niet verplicht. Hieronder worden de belangrijkste bevindingen opgesomd.

Bij de manuele registratiemethode gaven zes participanten een opmerking over de gebruiksvriendelijkheid van de applicatie. Zo vonden participanten het soms moeilijk om precieze hoeveelheden in de applicatie in te vullen en werden niet alle voedingsmiddelen teruggevonden in de database.

“Vond hem niet fijn om te gebruiken, je kon de hoeveelheden niet goed registreren.”

Bij de PBFL applicatie kwam er meer respons op de vraag of ze een opmerking wouden achterlaten. Ook hier kwamen verschillende opmerkingen over de gebruiksvriendelijkheid van de applicatie naar boven. Zo haalden acht deelnemers aan dat ze het moeilijk vonden om de juiste voeding te registreren, bijvoorbeeld omdat het een Engelstalige applicatie is. Daarnaast ondervonden zes participanten problemen met de voedselherkenningstechniek zelf.

“De doelstelling van de app (snel en makkelijk voedsel registreren) wordt niet echt gerealiseerd omdat de herkenning niet 100% op punt staat en je dus zelf nog veel moet aanpassen.”

Naast deze opmerkingen over gebruiksvriendelijkheid, haalden drie participanten bij de PBFL applicatie aan dat ze pas na het eten dachten aan de registratie en het dus vaak vergaten om hun voeding te registreren.

“Ik vond het zelf geen handige app. Ik dacht telkens maar aan de app te gebruiken toen ik net gedaan had met eten.”

5.3 Eén maand na het experiment

Een maand na het experiment werd in een derde enquête gevraagd of de participanten de applicaties nog gebruiken. Slechts zes participanten gaven aan dat ze de applicatie nog gebruikten. Deze zes deelnemers behoorden tot de groep van de manuele applicatie. Indien ze de applicaties niet meer gebruiken werd er gevraagd waarom ze gestopt waren hiermee. Deze vraag konden ze vrijwillig invullen. Bij de manuele registratiemethode kwamen drie zaken vaak naar boven. Ten eerste gaven negen participanten aan dat ze steeds vergaten hun voeding te registreren, waardoor ze gestopt zijn met het gebruik van de applicatie. Ten tweede gaven acht participanten aan dat ze het registreren vooral te veel werk vonden en het te veel

26 moeite kostte. Ten derde gaven negen deelnemers aan dat ze geen meerwaarde zagen in het registreren van hun voeding en dat ze geen behoefte hebben om dit te doen.

Bij de PBFL applicatie kwamen ook drie hoofdzaken naar boven. Ten eerste haalden elf participanten aan dat ze de applicatie niet ideaal vonden om hun voeding te registreren. Een aantal redenen die zie hiervoor aanhaalden, waren dat het geen praktische app was en dat hij niet gebruiksvriendelijk genoeg was.

“ Onhandig, niet gebruiksvriendelijk.”

Ten tweede gaven zes deelnemers aan dat ze de PBFL applicatie vergaten te gebruiken, waardoor ze stopten met het registreren. Ten derde haalden zes respondenten aan dat ze geen behoefte hadden aan het registreren van hun voeding en dat ze het niet als een meerwaarde zagen voor zichzelf.

Naast de vraag of ze de applicatie nog gebruiken, werden ook de gezondheidsperceptie en de zelfregulerende vaardigheden nogmaals bevraagd. Door deze variabelen voor het experiment, net na het experiment en één maand na het experiment te bevragen, kon een repeated measures ANOVA worden uitgevoerd. Zo kon nagegaan worden of er veranderingen waren in de gezondheidsperceptie en de zelfregulerende vaardigheden en of dit een resultaat kan zijn van de gebruikte applicatie en de tijd. Bij de test van gezondheidsperceptie kon de voorwaarde van sphericiteit aangenomen worden, X2_{= 4.12,}

p=.127. De resultaten laten zien dat de gezondheidspercepties niet significant verschilden over de metingen heen, F(2, 118)= 2.33, p= .102. Daarnaast bleek het interactie effect tussen tijd en de gebruikte applicatie ook niet significant te zijn, F(2, 118)= 1.84, p= .164. In tabel 2 werden de gemiddelde waarden weergegeven en in figuur 4 werden de metingen visueel weergegeven.

Meting Gebruikte applicatie Gemiddelde Standaarddeviatie Aantal

Meting_1 MyFitnessPal 3.19 .33 32 Calorie Mama AI 3.20 .45 29 Meting_2 MyFitnessPal 3.31 .38 32 Calorie Mama AI 3.21 .37 29 Meting_3 MyFitnessPal 3.31 .39 32 Calorie Mama AI 3.21 .40 29

27 Bij de test van zelfregulerende vaardigheden was de assumptie van sphericiteit geschonden, X2_{= 14.60, p=}

.001, daarom werd het aantal vrijheidsgraden Greenhouse-Geisser (ε= .82) gecorrigeerd. De resultaten laten zien dat de zelfregulerende vaardigheden significant verschilden over de metingen, F(1.64, 96.55)= 12.56, p< .001. In figuur 5 werd dit visueel weergegeven. Hierbij kon opgemerkt worden dat de gemiddelden van de zelfregulerende waarden licht stegen over de metingen heen. In tabel 3 werden de gemiddelde waarden weergegeven. Er bleek echter geen significant interactie effect te zijn tussen tijd en de gebruikte applicatie, F(1.64, 96.55)= .046, p= .93.

Meting Gebruikte applicatie Gemiddelde Standaarddeviatie Aantal

Meting_1 MyFitnessPal 3.00 .50 32 Calorie Mama AI 3.01 .57 29 Meting_2 MyFitnessPal 3.12 .46 32 Calorie Mama AI 3.16 .53 29 Meting_3 MyFitnessPal 3.18 .55 32 Calorie Mama AI 3.21 .57 29

Tabel 3: Metingen zelfregulerende vaardigheden Figuur 4: Metingen gezondheidsperceptie

28

29

6. Discussie en conclusie

6.1 Samenvatting resultaten en theoretische implicaties

Het doel van deze studie was om na te gaan of PBFL een methode kan zijn die ervoor zorgt dat gebruikers frequenter hun voeding registreren in vergelijking met een methode waarbij manueel wordt geregistreerd in een applicatie. Uit deze onderzoeksvraag en de literatuur vloeide de hypothese voort dat gebruikers bij PBFL frequenter hun voeding zouden registreren. Uit de literatuur bleek namelijk dat het registreren van voeding met manuele methoden veel tijd in beslag kan nemen en hinderlijk kan zijn (Beijbom et al., 2015; Chen et al., 2019, Myers et al., 2015; Zepeda & Deal, 2008). Hierdoor zijn onderzoekers ook aan de slag gegaan met de PBFL methode (Ciocca, et al., 2017; Kagaya, et al., 2014; Merler, et al., 2016; Myers et al., 2015). De hypothese die opgesteld werd rond PBFL moest verworpen worden. Uit de resultaten van het experiment bleek namelijk dat deelnemers die een PBFL applicatie gebruikten minder frequent hun voeding registreerden in vergelijking met de deelnemers die hun voeding manueel in een applicatie invoerden. Na een bijkomende mediatie analyse bleek dat de gebruiksvriendelijkheid van de applicaties het effect van de gebruikte applicatie op het aantal registraties verklaarde. De deelnemers die de manuele applicatie uittestten gaven een significant hogere score op vlak van gebruiksvriendelijkheid in vergelijking met de deelnemers die de PBFL applicatie uittestten. De tweede hypothese die aangaf dat participanten vaker hun voeding zouden registreren met een PBFL applicatie omdat deze gebruiksvriendelijker zou zijn, werd hierdoor verworpen. Het belang van het gebruiksvriendelijkheidsaspect kan wel teruggekoppeld worden naar de literatuurstudie waaruit bleek dat dit een gegeven is waarmee rekening gehouden moet worden bij de keuze van een applicatie (Kratzke & Cox, 2012; Tang et al., 2015). Ook de opmerkingen die de deelnemers vrijwillig konden nalaten in de enquêtes beamen dit. Zo bleek uit de enquête die net na het experiment ingevuld werd dat veertien participanten die de PBFL applicatie gebruikten, aanhaalden dat ze problemen ondervonden met de gebruiksvriendelijkheid van de applicatie. Bij de manuele applicatie waren er zes participanten die aangaven problemen te hebben met betrekking tot de gebruiksvriendelijkheid. In de derde enquête, die een maand na het experiment verzonden werd, werd gevraagd of de deelnemers van het experiment de applicaties nog gebruikten. Zes participanten rapporteerden dat ze nog een applicatie gebruikten. Dit waren participanten die de manuele applicatie uitgetest hadden. Indien ze deze niet meer gebruikten werd ook gevraagd waarom ze gestopt waren. Bij de manuele applicatie haalden negen participanten aan dat ze vergaten om hun voeding te registreren, acht participanten zeiden dat het te veel moeite koste om de applicatie te gebruiken en negen participanten vonden het geen meerwaarde om hun voeding te registreren. Deze resultaten werden ondersteund door de literatuur. Zo werd bijvoorbeeld reeds aangehaald dat het vergeten registreren een herkenbaar struikelblok is (Beijboom et al.,

30 2015; Myers et al., 2015; Zepeda & Deal, 2008). Bij de PBFL applicatie haalden zes participanten aan dat ze het registreren vergaten. Hieruit blijkt dus dat dit niet enkel een probleem is die bij manuele applicaties voorkomen. Daarnaast rapporteerden zes participanten dat ze geen behoefte hadden aan het bijhouden van hun voeding. Als laatste vonden elf gebruikers dat de applicatie nog niet op punt stond en dat de gebruiksvriendelijkheid niet ideaal was. Dit aspect kan teruggekoppeld worden naar de literatuur die suggereerde dat er nog gesleuteld moet worden aan de technologie van PBFL zelf en dat er nog meer onderzoek verreist is (Cordeiro et al., 2015; Pang et al., 2018).

Een volgend aspect die onder de loep genomen werd tijdens dit onderzoek waren de zelfregulerende vaardigheden. Uit de literatuur omtrent gedragsverandering, de TOPB (Ajzen, 1991) en de SCT (Bandura, 1991) werd de hypothese opgesteld dat de zelfregulerende vaardigheden die iemand bezit een invloed zou hebben op het aantal registraties. Uit de resultaten van het experiment bleek echter dat de zelfregulerende vaardigheden niet significant gerelateerd waren aan het aantal registraties. De zelfregulerende vaardigheden hadden ook geen significant effect op de relatie tussen de gebruikte applicatie en de aantal registraties. Dit sprak de literatuur en de opgestelde hypothese tegen. Hierbij werd verwacht dat de zelfregulerende vaardigheden een impact konden hebben op het beoogde gedrag en het volhouden ervan (Neal & Carey, 2005; Rabbi et al., 2015). Een andere aspect dat bekeken werd met de zelfregulerende vaardigheden, was of deze verschilden over de drie metingen die gedaan werden. Hier bleek een significant effect te zijn. Zo stegen de gemiddelden lichtjes over de drie metingen heen. Dit kan suggereren dat door gebruik te maken van een applicatie om voeding te registreren, de zelfregulerende vaardigheden bij een persoon stijgen.

Een laatste aspect dat onderzocht werd, was of de perceptie die mensen hebben over hun gezondheid een invloed zouden hebben op het aantal registraties. De hypothese die hieromtrent opgesteld werd, vond net als bij de zelfregulerende vaardigheden vooral zijn basis in de literatuur omtrent gedragsverandering, de TOPB (Ajzen, 1991) en de SCT (Bandura, 1991). Uit de resultaten van het experiment bleek hier echter geen significant verschil te zijn. De gezondheidsperceptie had daarbij ook geen invloed op de relatie tussen de gebruikte applicatie en de aantal registraties. Deze resultaten spreken de hypothese en de literatuurstudie tegen. Hierbij werd verwacht dat de perceptie en attitude van een persoon een invloed kunnen hebben op het gewenste gedrag (Ajzen, 1991). Naast vorige analyse werd ook nagegaan of de gezondheidsperceptie verschilde over de drie metingen heen. De gezondheidsperceptie van de mensen steeg zeer lichtjes maar was niet significant te noemen. Hier werden dus geen significant verschillen gevonden. Bij de resultaten met betrekking tot de gezondheidsperceptie moet wel in het achterhoofd gehouden worden dat de schaal niet betrouwbaar bleek tijdens het experiment. Dit kan een invloed gehad hebben op de uitkomsten die hiermee bekomen werden.

31

6.2 Beperkingen studie en suggesties voor verder onderzoek

Er kwamen een aantal beperkingen naar boven tijdens het uitvoeren van dit onderzoek. Een eerste beperking die respondenten in de enquêtes aanhaalden, had betrekking tot de gebruikte applicaties. Zo dachten deelnemers dat het beter zou zijn om Nederlandstalige applicaties te gebruiken in de plaats van een Engelstalige. Eén deelnemer haalde bijvoorbeeld aan dat de voedingsmiddelen moeilijk terug te vinden waren omdat ze niet in het Nederlands stonden. Deze opmerking kan meegenomen worden voor eventueel verder onderzoek. Een volgende beperking die naar boven kwam, was dat de PBFL applicatie nog niet helemaal op punt stond. Deelnemers ondervonden bijvoorbeeld moeilijkheden met de voedingsherkenningsfunctie. De applicatie herkende vaak niet wat er op de foto te zien was, waardoor het registreren van voeding niet zo gemakkelijk verliep bij bepaalde respondenten. Ook dit aspect kan meegenomen worden naar verder onderzoek. Zo kan een gelijkaardig onderzoek uitgevoerd worden eenmaal er applicaties op de markt komen die accurater zijn qua voedselherkenning en die in het algemeen al meer op punt staan. Een volgende beperking van dit onderzoek is dat er niet gewerkt werd met controlevragen in de enquêtes. Dit had een meerwaarde kunnen zijn om te zien of deelnemers de vragen goed lazen en adequaat invulden. Daarnaast bleek de schaal die gezondheidsperceptie mat niet meer betrouwbaar te zijn in de analyses van de enquête zelf, terwijl deze tijdens de pre-test wel betrouwbaar was. Dan geef ik nog een laatste suggestie mee. Het zou het interessant kunnen zijn om deelnemers te selecteren die reeds hun voeding registreren of geïnteresseerd zijn hierin. In dit onderzoek was dit geen vereiste en waren slechts weinig deelnemers bezig met het registreren van hun voeding alvorens het experiment startte. In de enquêtes haalden een aantal participanten dan ook aan dat ze de applicaties niet als een meerwaarde zagen voor hen, aangezien ze niet echt geïnteresseerd waren in het bijhouden en registreren van hun voeding.

32

6.3 Algemene conclusie

In deze masterproef was het vooral de bedoeling om na te gaan of een op fotografie gebaseerde applicatie ervoor kon zorgen dat gebruikers frequenter hun voeding registreerden in vergelijking met een manuele applicatie. Hiervoor werd een kwalitatief experiment uitgevoerd. Uit de resultaten van het experiment bleek dat de deelnemers van de manuele applicaties gemiddeld frequenter hun voeding registreerden in vergelijking met de deelnemers die gebruik maakten van de PBFL applicatie. Dit lag echter aan de gebruiksvriendelijkheid van de applicaties. Uit dit onderzoek bleek dus vooral dat de technologie van de PBFL applicatie nog niet helemaal op punt staat en dat hieraan nog gesleuteld kan worden. Eens er gebruiksvriendelijkere PBFL applicaties op de markt komen, kan een gelijkaardig onderzoek zoals in deze masterproef uitgevoerd worden. Dit zou zeker een meerwaarde zijn om de opgestelde onderzoeksvraag verder te exploreren.

33

7. Bibliografie

Anderson, E. S., Winett, R. A., & Wojcik, J. R. (2007). Self-Regulation, Self-Efficacy, Outcome Expectations, and Social Support: Social Cognitive Theory and Nutrition Behavior. Annals of Behavioural Medicine, 34(3), 304-312.

Ajzen, I. (1985). From intentions to actions: a theory of planned behaviour. In J. Kuhl & J. Beckmann (Eds.) Action-control (pp. 11-39). Heidelberg: Springer.

Ajzen, I. (1991). The theory of planned behaviour. Organizational behaviour and human decision processes, 50(2), 179-211.

Azjen, I. (1991). The Theory of Planned Behavior [Illustratie]. Geraadpleegd van

https://www.sciencedirect.com/science/article/pii/074959789190020T

Azumio inc. (2018). Calorie Mama AI (Versie 5.36.4302) [Mobiele applicatie software]. Geraadpleegd van

http://caloriemama.ai/

Bandura, A. (1991). Social Cognitive Theory of Self-Regulation. Organizational behaviour and human decision processes, 50(2), 248-287.

Bandura, A. (1997). Self-efficacy: the exercise of control. New York: freeman.

Bandura, A. (1998). Health promotion from the perspective of social cognitive theory. Psychology and Health, 13(4), 623-649.

Bandura, A. (2001). Social Cognitive Theory of Mass Communication. Mediapsychology, 3, 265–299. Beijbom, O., Joshi, N., Morris, D., Saponas, S., & Khullar, S. (2015). Menu-match: Restaurant-specific food

logging from images. In 2015 IEEE Winter Conference on Applications of Computer Vision (pp. 844-851). Waikoloa, USA: IEEE.

Bentley, F. & Tollmar, K. (2013). The power of mobile notifications to increase wellbeing logging behavior. In CHI '13 Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 1095-1098). New York, USA: ACM.

Blair, J., Luo, Y., Ma, N. F., Lee, S., & Choe, E. K. (2018). OneNote Meal: A photo-based diary study for reflective meal tracking. AMIA, 252-261.

Campbell, J. & Porter, J. (2015). Dietary mobile apps and their effect on nutritional indicators in chronic renal disease: a systematic review. Nephrology, 20, 744-751.

Cane, J., Richardson, M., Johnston, M., Ladha, R., & Michie, S. (2014). From lists of behaviour change techniques (BCTs) to structured hierarchies: Comparison of two methods of developing a hierarchy of BCTs. British Journal of Health Psychology, 20(1), 130-150.

Carey, K. B., Neal, D. J., & Collins, S. E. (2005). A psychometric analysis of the self-regulation questionnaire. Addictive behaviors, 29(2), 253-260.