Reinforcement‑Learning‑App steigert Schrittzahl bei Fitbit‑Nutzern

Ein neues, groß angelegtes Randomized‑Controlled‑Trial mit 13 463 Fitbit‑Nutzern hat gezeigt, dass ein personalisierter Trainingsassistent, der auf Reinforcement‑Learning (RL) basiert, die tägliche Schrittzahl signifikant erhöht. Der PEARL‑Studie, die erstmals vier Arm‑Designs gleichzeitig vergleicht, wurden die Teilnehmer in Kontroll‑, Zufalls‑, Fix‑ und RL‑Gruppe eingeteilt.

Im Kontrollarm erhielten die Nutzer keine Nudges. Die Zufalls‑Gruppe bekam zufällig ausgewählte von 155 verhaltenswissenschaftlich fundierten Nudges. Die Fix‑Gruppe erhielt Nudges, die auf einer vorab definierten Logik basierten, die aus Umfrage‑Antworten zu Bewegungsbarrieren abgeleitet wurde. Die RL‑Gruppe bekam dagegen Nudges, die von einem adaptiven RL‑Algorithmus ausgewählt wurden, der kontinuierlich aus den individuellen Daten lernte.

Für die primäre Analyse wurden 7 711 Teilnehmer einbezogen (Durchschnittsalter 42,1 Jahre, 86,3 % Frauen, Basis‑Schritte 5 618,2). Nach einem Monat zeigte die RL‑Gruppe im Vergleich zu den anderen Arms einen durchschnittlichen Anstieg von 296 Schritten pro Tag gegenüber der Kontrollgruppe (p = 0,0002), 218 Schritten gegenüber der Zufallsgruppe (p = 0,005) und 238 Schritten gegenüber der Fix‑Gruppe (p = 0,002). Der Anstieg blieb auch nach zwei Monaten bestehen, was die Nachhaltigkeit der RL‑basierten Nudges unterstreicht.

Die Ergebnisse demonstrieren, dass ein RL‑Algorithmus, der auf Verhaltensänderungstheorien basiert, die Effektivität von Just‑in‑Time‑Adaptive‑Interventions (JITAIs) in der mHealth‑Praxis deutlich steigern kann. Dies eröffnet neue Möglichkeiten für skalierbare, personalisierte Programme zur Förderung körperlicher Aktivität weltweit.