健康促进类移动应用的用户画像研究：基于使用模式的横断面分析与聚类模型

为解决数字健康干预中用户采纳差异问题，Hanna Rekola团队开展了一项关于BitHabit健康促进APP用户特征的横断面研究。通过聚类分析识别出三类用户原型：活跃用户、挣扎型非活跃用户和适应型非活跃用户，发现低生活满意度人群更易尝试APP但高满意度者更可能持续使用。该研究为精准化数字健康干预设计提供了重要依据。

　　

在数字健康浪潮席卷全球的背景下，移动健康(mHealth)应用已成为促进公众健康的重要工具。然而一个令人困惑的现象逐渐浮现：这些看似便捷的数字干预措施似乎只对部分人群有效。就像健身房年卡总是遭遇"办卡容易坚持难"的困境，健康类APP也面临着用户留存率低的挑战。芬兰东部大学的Hanna Rekola团队敏锐地捕捉到这个矛盾点，他们的研究揭示了数字健康领域一个关键问题——我们并不清楚用户的背景特征如何影响其对健康促进类APP的采纳和使用模式。

这项发表在《JMIR mHealth and uHealth》的研究，基于健康信念模型(HBM)和技术接受统一理论(UTAUT)的整合框架，对1646名成年人进行了深入分析。研究人员采用横断面设计，通过MySeula数字问卷收集基线数据，并利用BitHabit APP（基于自我决定理论和习惯形成理论开发）记录用户行为。运用逻辑回归分析启动使用的影响因素，通过k-means聚类识别用户原型，再结合多因素逻辑回归探索原型特征差异。

研究结果部分呈现了丰富发现：

"描述性统计"显示样本以女性为主(76.9%)，平均年龄46.7岁，52.4%启动了APP使用。值得注意的是，参与者平均生活满意度(6.6分)显著低于芬兰国民平均水平(8.1分)，暗示研究可能吸引了更多对健康改善有需求的人群。

"BitHabit APP使用启动"部分发现，女性(OR=0.66)、失业者(OR=0.68)和生活满意度较高者(OR=0.94)启动使用的几率较低，而报告更多生活挑战者(OR=1.13)更可能尝试APP。这与健康信念模型中"感知易感性"驱动行为改变的观点一致。

"用户原型分析"通过四个关键变量（生活满意度、生活挑战数、使用活跃天数比和习惯完成率）识别出三类用户：适应型非活跃用户(65.2%)、挣扎型非活跃用户(27.2%)和活跃用户(7.6%)。活跃用户基线特征显示"健康者更健康"现象——他们年龄更大(51.0岁)、运动更规律，且生活满意度(6.42分)显著高于挣扎型用户(4.34分)。多因素分析揭示：退休人员成为挣扎型非活跃用户的几率是活跃用户的4.06倍；而每周运动≥4小时者成为适应型非活跃用户的几率是2.71倍。

在讨论部分，研究者提出了"需求-使用悖论"：虽然生活满意度较低的人群更可能尝试APP，但最终持续使用者反而是基线状况较好者。这一发现挑战了"数字干预主要惠及弱势群体"的假设，与先前关于健康不平等的研究形成对话。研究同时指出，失业人群虽然启动使用率低，但一旦开始使用，其持续使用可能性与就业者无差异，这为针对弱势群体的数字健康干预提供了希望。

该研究的创新性在于首次将用户原型概念引入健康APP研究领域，其方法论贡献包括：开发了结合行为科学和技术接受理论的分析框架；证实聚类分析在数字健康用户分群中的有效性；揭示了传统人口学变量与使用模式的非线性关系。这些发现对公共卫生实践具有明确指导意义——开发者需要为不同原型用户设计差异化 engagement策略，政策制定者则应关注如何降低弱势群体的使用门槛。正如研究者强调的，未来需要"开发能吸引更多潜在用户并满足不健康生活方式和心理健康状况不佳者需求的数字APP"。

这项研究也存在样本自选择偏倚、单条目测量等局限，但其开创性的用户原型分析为破解数字健康干预的"参与度困境"提供了新思路。在数字化转型加速的今天，理解"谁在用、怎么用"或许比"有没有效"更为迫切——而这正是Rekola团队这项研究的重要价值所在。