論文の概要: From Occasional to Steady: Habit Formation Insights From a Comprehensive Fitness Study
- arxiv url: http://arxiv.org/abs/2501.01779v1
- Date: Fri, 03 Jan 2025 12:22:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:11:45.808241
- Title: From Occasional to Steady: Habit Formation Insights From a Comprehensive Fitness Study
- Title（参考訳）: 機会からステアディへ:包括的フィットネス研究からのハビット形成の洞察
- Authors: Ege Demirci, Efe Tuzun, Ahmet Furkan Un, Taner Giray Sonmez, Onur Varol,
- Abstract要約: 定期的な運動は健康の基盤として広く認められているが、一貫した運動習慣を維持するという課題は続いている。
この研究は、トゥルキエ最大のスポーツチェーンであるマルス・アスレティック・クラブ(Mars Athletic Club)のデータを利用して、体育館への出席と習慣形成のダイナミクスを調査している。
- 参考スコア（独自算出の注目度）: 0.8376765733659508
- License:
- Abstract: Exercising regularly is widely recognized as a cornerstone of health, yet the challenge of sustaining consistent exercise habits persists. Understanding the factors that influence the formation of these habits is crucial for developing effective interventions. This study utilizes data from Mars Athletic Club, T\"urkiye's largest sports chain, to investigate the dynamics of gym attendance and habit formation. The general problem addressed by this study is identifying the critical periods and factors that contribute to the successful establishment of consistent exercise routines among gym-goers. Here we show that there are specific periods during which gym attendance is most crucial for habit formation. By developing a survival metric based on gym attendance patterns, we pinpoint these critical periods and segment members into distinct clusters based on their visit patterns. Our analysis reveals significant differences in how various subgroups respond to interventions, such as group classes, personal trainer sessions, and visiting different clubs. Using causal inference analysis, we demonstrate that personalized guidance and social dynamics are key drivers of sustained long-term engagement. By systematically examining these variables and considering the specific characteristics of different clusters, our research demonstrates the importance of a tailored, multi-dimensional approach to promoting exercise habits, which integrates social dynamics, personalized guidance, and strategic interventions to sustain long-term engagement.
- Abstract（参考訳）: 定期的な運動は健康の基盤として広く認められているが、一貫した運動習慣を維持するという課題は続いている。
これらの習慣の形成に影響を与える要因を理解することは、効果的な介入を開発するのに不可欠である。
この研究は、マルス・アスレティック・クラブ(T\"ウルキエ最大のスポーツチェーン)のデータを利用して、体育館への出席と習慣形成のダイナミクスを調査する。
本研究の課題は,体育旅行者における一貫した運動ルーチンの確立に寄与する臨界期間と要因を特定することである。
ここでは,体育館の入場が生活習慣形成に最も重要である期間について述べる。
体育館来場パターンに基づく生存率測定法を考案し、これらの臨界期間とメンバーを訪問パターンに基づいて異なるクラスタに分割する。
分析の結果,グループクラス,個人トレーナーセッション,クラブ訪問など,様々なサブグループが介入にどう反応するかに有意な差異が認められた。
因果推論分析を用いて、パーソナライズされたガイダンスと社会的ダイナミクスが長期にわたるエンゲージメントの重要な要因であることを実証した。
本研究は、これらの変数を体系的に検討し、異なるクラスタの特徴を考慮し、社会的ダイナミクス、パーソナライズドガイダンス、長期的エンゲージメントを維持するための戦略的介入を統合した、運動習慣を促進するための調整された多次元アプローチの重要性を実証する。
関連論文リスト
- Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳（メタデータ） (2024-10-21T13:06:21Z) - Caformer: Rethinking Time Series Analysis from Causal Perspective [7.354128514581098]
本稿では,因果的観点からの時系列解析のためのCaformerという新しいフレームワークを紹介する。
本フレームワークは,動的学習,環境学習,依存学習という3つのコンポーネントから構成される。
我々のCaformerは5つの主流時系列分析タスクで一貫した最先端性能を示す。
論文 参考訳（メタデータ） (2024-03-13T14:28:02Z) - Critical Learning Periods Emerge Even in Deep Linear Networks [102.89011295243334]
クリティカルラーニング期間(Critical Learning periods)は、一時的な感覚障害が行動や学習表現に恒久的な影響を及ぼす発達初期の期間である。
生物学的ネットワークと人工ネットワークの急激な違いにもかかわらず、両方のシステムで臨界学習期間が経験的に観察されている。
論文 参考訳（メタデータ） (2023-08-23T16:01:50Z) - Predicting the long-term collective behaviour of fish pairs with deep learning [52.83927369492564]
本研究では,魚種Hemigrammus rhodostomusの社会的相互作用を評価するための深層学習モデルを提案する。
我々は、ディープラーニングのアプローチの結果と実験結果と、最先端の分析モデルの結果を比較した。
機械学習モデルにより、ソーシャルインタラクションは、微妙な実験的観測可能な解析的相互作用と直接競合できることを実証する。
論文 参考訳（メタデータ） (2023-02-14T05:25:03Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳（メタデータ） (2022-07-20T13:37:57Z) - Enhancing Digital Health Services: A Machine Learning Approach to
Personalized Exercise Goal Setting [8.146832452474777]
本研究の目的は、振り返りデータとリアルな行動軌跡を用いて自動提案運動目標を動的に更新する機械学習アルゴリズムを開発することである。
深層強化学習アルゴリズムは、深層学習技術を組み合わせて時系列データを分析し、ユーザの運動行動を推測する。
論文 参考訳（メタデータ） (2022-04-03T01:19:20Z) - Understanding health and behavioral trends of successful students
through machine learning models [11.615686353864374]
本研究は、学期を通じて異なる期間の大学生の身体、精神、ライフスタイル、性格要因のパターンを分析した。
分析データはスマートフォンとFitbitで収集された。
論文 参考訳（メタデータ） (2021-01-23T17:18:17Z) - Towards Continual Reinforcement Learning: A Review and Perspectives [69.48324517535549]
我々は,連続的強化学習(RL)に対する異なる定式化とアプローチの文献レビューの提供を目的とする。
まだ初期段階だが、継続的なrlの研究は、よりインクリメンタルな強化学習者を開発することを約束している。
これには、医療、教育、物流、ロボット工学などの分野の応用が含まれる。
論文 参考訳（メタデータ） (2020-12-25T02:35:27Z) - Social Engagement versus Learning Engagement -- An Exploratory Study of
FutureLearn Learners [61.58283466715385]
大規模なオープンオンラインコース (MOOCs) は増加傾向にあるが、エンロリーのごく一部しかMOOCsを完了していない。
この研究は、MOOCにおける研究の進展とともに、学習者がピアとどのように相互作用するかに特に関係している。
この研究は、社会的構成主義的アプローチを採用し、協調学習を促進するFutureLearnプラットフォーム上で行われた。
論文 参考訳（メタデータ） (2020-08-11T16:09:10Z) - Bursts of Activity: Temporal Patterns of Help-Seeking and Support in
Online Mental Health Forums [6.662800021628275]
ソーシャルメディアプラットフォーム上でのユーザ活動は,アクティビティのないインターリーブ期間と高いアクティビティ期間の明確なパターンに従うことを示す。
次に、バースト中の学習活動が、オンラインメンタルヘルスコミュニティにおいて重要な疑問に対して、パーソナライズされた中長期的な分析を提供する方法を示す。
2つの独立した結果指標、認知的変化の瞬間、活動のバースト中の気分の変化を自己報告し、ユーザにとって結果を改善する2つの実行可能な特徴を特定した。
論文 参考訳（メタデータ） (2020-04-21T22:39:38Z) - Representation Learning on Variable Length and Incomplete
Wearable-Sensory Time Series [29.061466414756925]
HeartSpaceは、時系列エンコーディングモジュールとパターン集約ネットワークを統合して、可変長および欠落値の時系列データをエンコードする。
HeartSpaceはシームズ・トリップレットネットワークを実装し、シリーズ内およびシリーズ間相関を共同でキャプチャすることで表現を最適化する。
2つの異なる実世界のデータに対する実証的な評価は、様々なアプリケーションにおいて、最先端のベースラインよりも顕著なパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2020-02-10T08:20:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。