Michaël Rioux, Data Scientist, M.Sc.
Daniel Braun, Data Scientist, Ph.D.

Résumé exécutif

Notre analyse longitudinale des données de bien-être sur une période de trois ans (2022-2025) visait à identifier les moteurs du bien-être et BIOTONIX Santé l'engagement sur la plateforme. En utilisant des modèles linéaires mixtes, nous avons étudié les relations entre le bien-être et l'engagement de 1 628 utilisateurs d'entreprise dans quatre domaines clés de la santé : la posture, la forme physique, la santé mentale et la santé psychosociale. Nos principaux résultats analytiques sont présentés dans le Tableau 1.

L'analyse a révélé que l'état de santé d'un utilisateur est très stable ; le prédicteur le plus fort de tout score futur était le score du trimestre précédent, ce qui souligne que un changement significatif demande un effort constant et à long terme. Au-delà des comportements spécifiques, nous avons également découvert une tendance naturelle, bien que modeste, à la hausse pour les scores de Condition physique et de Santé mentale au fil du temps, suggérant que la participation soutenue à la plateforme de bien-être elle-même contribue à des résultats positifs.

Le moteur le plus significatif du changement positif, au-delà de l'effet général du temps, a été l'activité physique constante. Une interaction positive entre l'exercice enregistré en externe et le temps a été le seul comportement associé à des améliorations longitudinales à la fois dans les scores de forme physique et de santé mentale. De plus, l'activité physique crée une puissante boucle de rétroaction. Les utilisateurs qui enregistrent des exercices externes sont beaucoup plus susceptibles d'utiliser d'autres fonctionnalités de la plateforme, comme regarder des vidéos éducatives, et vice versa, ce qui rend exercer la clé “ porte d'entrée ” vers un engagement plus large.

Inversement, certaines interventions ont montré des modèles différents. Les programmes structurés de correction posturale (BTX), bien que validés cliniquement, n'ont pas produit de changement mesurable dans les scores de posture au fil du temps, probablement en raison de la faible adhésion au protocole exigeant dans un contexte d'entreprise. De même, les utilisateurs.

Dans l'ensemble, l'implication stratégique principale est de prioriser et de favoriser l'habitude d'une activité physique régulière. Cela améliore non seulement directement les principaux résultats de santé au-delà de l'amélioration de base observée au fil du temps, mais stimule également une boucle de rétroaction positive d'un engagement plus large avec la plateforme.

Tableau 1 : Principales conclusions analytiques de l'étude longitudinale.

Introduction : La boucle de rétroaction du bien-être

Notre analyse a été structurée autour de deux questions bidirectionnelles :

1. • L'hypothèse de l'intervention: L'engagement proactif dans les activités de la plateforme entraîne-t-il des changements mesurables dans les scores de bien-être des utilisateurs au fil du temps ?

• • L'hypothèse d'engagement: Les scores de bien-être et les états d'humeur prédisent-ils la manière et les raisons pour lesquelles les utilisateurs s'engageront avec la plateforme à l'avenir ?

Analyser les deux côtés de cette boucle permet de découvrir ce qui fonctionne réellement pour améliorer le bien-être des employés et d'identifier les schémas comportementaux qui mènent à des résultats positifs durables. Pour contextualiser ces découvertes, cette section présente les instruments validés utilisés pour mesurer le bien-être et les activités principales des utilisateurs suivies par le BIOTONIX Santé plateforme.

Les indices de bien-être (%)

• • Score de posture : Dérivé du système de posture BIOTONIX développé par le Dr Sylvain Guimond, un outil clinique conforme à la FDA utilisé dans plus de 2 millions d'évaluations dans le monde. Le système, qui a été utilisé pour optimiser la performance d'athlètes de renommée mondiale, fournit une analyse détaillée des déviations posturales (BIOTONIX, 2023).

• • Score de forme physique : Basé sur le bilan d'âge physiologique BIOTONIX, un protocole également utilisé par d'importants partenaires de conditionnement physique comme Énergie Cardio, qui évalue les marqueurs clés de la santé physique au-delà de l'âge chronologique.

• • Score mental : Un score composite développé à l'aide de la théorie de réponse aux items (TRI), une norme psychométrique moderne pour mesurer avec précision les traits latents (Embretson & Reise, 2000). Ces instruments ont été validés de manière croisée dans un cadre clinique par rapport à des outils établis tels que le BDI-II, le BAI et l'IVA-2.

• • Score psychosocial : Calculé à partir d'une échelle exclusive de bien-être au travail BIOTONIX et des facteurs de risque psychosociaux tels qu'identifiés par l'INSPQ : autonomie, équilibre, reconnaissance et soutien.

Activités clés de la plateforme (Comptes)

• • Exercices externes : Activités physiques enregistrées par l'utilisateur, telles que la marche ou la course.

• • Programmes BTX : Programmes d'exercices structurés, principalement pour la correction de la posture.

• • Pleine conscience : Séances de respiration guidée et de méditation.

• • Suivi de l'humeur : Tenir un journal quotidien de son humeur et de ses causes.

• • Vidéos regardées : Engagement avec le contenu éducatif de la plateforme.

Méthodologie et Validation

L'analyse a couvert un ensemble de données longitudinal 1 628 utilisateurs professionnels. La plupart des participants ont fourni des données pour une seule saison, un schéma typique des programmes de bien-être en milieu de travail. Parce que les données étaient rares et inégales dans le temps, nous avons modélisé les trajectoires individuelles avec Modèles mixtes linéaires (LMM) (Pinheiro & Bates, 2000), qui équilibrent les tendances au niveau de la population et les tendances spécifiques à la personne.

La préparation des données a suivi une séquence structurée. Nous avons tout d’abord identifié les valeurs aberrantes à l’aide d’une « Isolation Forest » (Liu et al., 2008), puis nous avons éliminé les valeurs extrêmes restantes en appliquant des règles basées sur l’écart interquartile (EI) afin de limiter l’effet de levier (Kutner et al., 2005). Les valeurs manquantes ont été traitées en plusieurs étapes : remplissage par avancement basé sur des règles ou par zéro, selon le cas, puis normalisation par score z afin de placer les variables sur une échelle commune avant d’appliquer l’imputation multiple par équations enchaînées (MICE) aux données normalisées (van Buuren & Groothuis-Oudshoorn, 2011). Les lacunes structurelles (par exemple, avant le lancement d’une fonctionnalité) ont été délibérément laissées non imputées afin d’éviter toute complétion artificielle (van Buuren, 2018).

Pour se prémunir contre le p-hacking ou le biais de confirmation, le flux de travail a divisé les données en sous-ensembles exploratoires, confirmatoires et de test (Wagenmakers et al., 2012). La phase exploratoire a produit des valeurs p corrigées par FDR qui ont priorisé les prédicteurs candidats ; celles-ci ont guidé mais n’ont pas contraint l’analyse confirmatoire. La phase confirmatoire a utilisé une Recherche par faisceau stochastique bidirectionnel guidée par l'AIC, qui favorise les modèles qui améliorent l'AIC tout en permettant une exploration probabiliste pour éviter les optima locaux. Les prédicteurs bénéficiant d'un soutien exploratoire plus solide ont été échantillonnés plus souvent, et l'algorithme a explicitement pris en compte le comportement attendu de l'AIC des modèles contenant des candidats plus faibles — une conception qui a nécessité de mettre de côté un ensemble de test pour vérifier si les gains de AIC confirmatoires étaient généralisables hors échantillon. Nous avons ensuite appliqué la pondération de modèles aux modèles les plus performants pour refléter l'incertitude de sélection (Burnham & Anderson, 2002 ; Symonds & Moussalli, 2011). Les modèles présentant une multicolinéarité (VIF > 5,0) ont été exclus (Kutner et al., 2005).

Les résultats sont rapportés comme statistiquement significatifs lorsque p < 0,05 et comme tendances faibles quand 0,05 ≤ p < 0,10.

Interprétation de la qualité de l'ajustement

Pour évaluer la performance du modèle, nous avons utilisé les deux mesures de R² définies par Nakagawa & Schielzeth (2013). Le R² marginal capture la quantité de variance expliquée par les prédicteurs fixes tels que les activités ou la démographie, tandis que le R² conditionnel intègre l'influence d'effets aléatoires qui reflètent les différences individuelles.

L'écart entre eux illustre à quel point les comportements dépendent des habitudes personnelles plutôt que de facteurs observables. Deux principaux schémas se sont dégagés :

• • Pour résultats pour la santé, un R² marginal élevé a confirmé que l'état de santé de base est le prédicteur dominant de l'état futur d'un utilisateur, reflétant une forte stabilité temporelle.

• • Pour engagement de la plateforme, un écart important entre le R² marginal et le R² conditionnel a montré que des variables non mesurées les habitudes personnelles sont un moteur principal de la manière dont les utilisateurs interagissent avec la plateforme.

Nous avons également observé des défis courants en modélisation longitudinale. Les erreurs de prédiction étaient légèrement biaisées et à queues lourdes (forte kurtosis), ce qui signifie que les modèles convenaient à la plupart des utilisateurs, mais avaient du mal avec les valeurs aberrantes abruptes, ce qui signifie nos modèles obtiennent de bons résultats pour la majorité stable, tandis qu'une petite minorité connaissant des changements brusques est moins prévisible (par exemple, une blessure qui abaisse considérablement la forme physique, ou un événement de vie qui affecte soudainement la santé mentale). Cette difficulté avec des comportements peu fréquents se reflète également dans des erreurs quadratiques moyennes (RMSE) relativement élevées, en particulier pour la posture dans notre ensemble de données.

Note sur la qualité de l'imputation

Pour valider la procédure MICE, nous avons comparé les distributions des variables et les structures de covariance avant et après l'imputation, en testant les changements significatifs à l'aide du test de Kolmogorov-Smirnov à deux échantillons (Massey, 1951) et de la distance de Wasserstein (Rubner, 2000). Les diagnostics ont confirmé que l'imputation n'a pas altéré de manière significative la structure sous-jacente des données pour la plupart des variables. La seule exception concernait fonctionnalité de suivi de l'humeur récemment introduite, qui, en raison de ses données initiales limitées, a montré un décalage de distribution modéré qui nous avons jugé acceptable mais signalé pour examen lors de l'interprétation du modèle.

Figure 1 : Différences absolues de corrélation post-imputation

L'hypothèse de l'intervention : Qu'est-ce qui motive l'amélioration de la santé ?

L'analyse longitudinale a révélé deux forces principales façonnant les résultats de santé : une forte stabilité de base où la santé passée est le meilleur prédicteur de la santé future, et l'impact singulier d'un exercice externe constant, qui était le seul comportement trouvé pour entraîner une amélioration au fil du temps.

Modèles d'engagement émergents

Une analyse transversale préliminaire a révélé que l'engagement dans une activité était généralement corrélé positivement avec l'engagement dans d'autres. Cependant, les activités nécessitant un engagement temporel plus important, telles que les programmes structurés BTX et les séances de méditation, ont montré une inter-corrélation plus faible avec les autres fonctionnalités de la plateforme. Cela suggère que les utilisateurs pourraient s'engager sélectivement dans des activités moins chronophages. Cela a souligné la nécessité d'une approche longitudinale pour déterminer quelles activités spécifiques favorisent le bien-être à long terme.

Les états de santé sont intrinsèquement stables

Dans les quatre domaines du bien-être, le score de l'utilisateur au trimestre précédent était le prédicteur le plus significatif de son score actuel. Ce degré élevé d'autocorrélation, une caractéristique courante des données de santé longitudinales, confirme que les effets comportementaux, bien qu'importants, s'opèrent par-dessus une base préexistante solide (Fitzmaurice, Laird, & Ware, 2011). Les amplitudes de cet effet de base étaient :

• • Santé psychosociale : +33 points

• • Aptitude physique : +22 points

• • Posture: +22 points

• • Santé mentale +14 points

La posture était une métrique particulièrement stable ; le score d'un utilisateur du trimestre précédent en était le seul prédicteur statistiquement significatif. Cela suggère que la posture reflète des adaptations chroniques résistantes aux changements à court terme (Sahrmann, 2002). Cette stabilité explique probablement pourquoi les programmes structurés de posture BTX n'ont pas produit d'effet mesurable. Nous émettons l'hypothèse que Le protocole de 8 semaines, bien que cliniquement robuste, est trop exigeant pour un environnement d'entreprise, entraînant une faible adhésion – un défi connu pour les interventions de santé numérique (Eysenbach, 2005). Nos futurs travaux se concentreront sur re-imaginer des interventions exigeantes, comme le programme de posture, en “ micro-habitudes ” plus petites et plus gérables pour améliorer l'adhésion, basé sur les principes de conception comportementale suggérant que la simplicité est un moteur clé de l'adoption des actions (Fogg, 2009).

Effets de sélection et liens de santé statiques

Les associations statiques des données pointaient principalement vers un ‘ effet de sélection ’, où l'état préexistant d'un utilisateur prédit son engagement sur la plateforme (Groenwold et al., 2009).

• • Utilisation du programme : L'engagement avec des programmes de posture est corrélé à un score de forme physique inférieur de 1,47 point, indiquant que ces programmes les programmes fondamentaux attirent les utilisateurs qui en ont le plus besoin. De même, cet engagement était également lié à une diminution faible mais significative de 0,34 point des scores psychosociaux, ce qui peut indiquer que les utilisateurs ayant un bien-être psychosocial plus faible sont attirés par des interventions plus structurées.

• • DémographieL'âge avancé était associé à une plus grande utilisation du programme BTX (une augmentation de 0,27 séance). Il y avait également une légère tendance pour les utilisateurs masculins à avoir des scores de condition physique globalement plus bas (une diminution de 0,82 point). Cette démographie est la plus vulnérable aux douleurs au cou et au dos.

• • Exercice et santé mentale : Un engagement initial plus élevé dans l'exercice était corrélé à un score mental inférieur de 0,86 point, ce qui reflète probablement que les utilisateurs ayant un bien-être mental plus faible se dirigent vers des activités accessibles comme la marche.

• • Activité Totale et Santé Psycho-SocialeUn nombre plus élevé d'activités enregistrées était un prédicteur significatif d'un score PsychoSocial plus élevé (une augmentation de 0,50 point). Le fait d'appartenir à une ligue d'entreprise était également associé à une augmentation de 0,26 point de ce score. Inversement, une tendance faible suggérait qu'un nombre plus élevé d'activités totales était associé à une légère diminution des scores Mentaux (diminution de 0,54 point), soutenant ainsi l'hypothèse de l'effet de sélection selon laquelle les utilisateurs d'entreprise ayant un besoin plus important peuvent essayer une plus grande variété d'interventions.

Nous avons également trouvé plusieurs associations interdomaines, petites mais significatives :

• • Une meilleure posture physique a été associée à une diminution mineure de 0,35 point du score psychosocial.

• • La relation entre la santé mentale et la santé psychosociale était notablement asymétrique : si un score psychosocial plus élevé prédisait une augmentation de 0,48 point du score mental, l'inverse était négatif — des scores mentaux plus élevés étaient associés à une diminution de 0,23 point des scores psychosociaux. Ceci suggère une influence positive unidirectionnelle du psychosocial sur le bien-être mental, un constat qui s'aligne avec la littérature établie en santé au travail où les facteurs du lieu de travail sont des prédicteurs connus de la santé psychologique (Stansfeld & Candy, 2006).

• • Des scores de forme physique plus élevés étaient également associés à une augmentation de 0,38 point des scores mentaux, soulignant l'influence des facteurs physiques sur la santé mentale.

Alternativement, plutôt qu'un effet de sélection, il est possible que les individus en meilleure santé de base ont des normes plus élevées en matière de bien-être au travail et sont donc plus sensibles dans leur signalement des risques psychosociaux.

L'exercice régulier est le principal moteur d'amélioration au fil du temps

Le seul comportement de l'utilisateur associé à une amélioration significative des scores de santé au fil du temps était exercice externe cohérent. Un interaction positive significative entre l'exercice et le temps a prédit une augmentation de 1,32 point des scores de forme physique et une amélioration plus faible, mais toujours significative, de la santé mentale. Cette conclusion était cohérente avec les recherches établies sur les bienfaits de l'activité physique. pour la santé physique et mentale (par exemple, Hillman, Erickson, et Kramer, 2008 ; Chekroud et al., 2018).

Au-delà de l'impact des comportements spécifiques, les modèles ont révélé un “ effet temps ” significatif, où un engagement prolongé améliorait à la fois les résultats de santé et la maîtrise de la plateforme, indépendamment de toute activité enregistrée spécifique. L'impact d'interventions spécifiques, telles que l'exercice externe, doit donc être interprété comme un bénéfice supplémentaire s'ajoutant à cette trajectoire ascendante naturelle..

Les gains spécifiques ont été :

• • Bénéfices inhérents pour la santéLes deux Forme (+0,66 point par trimestre) et Mental (+0,28 points par trimestre) les scores ont montré une augmentation statistiquement significative au fil du temps.

• • Maîtrise accrue de la plateformeLe nombre de Défis relevés a également augmenté avec la participation continue. De plus, les utilisateurs ayant des scores de bien-être globaux plus élevés ont terminé significativement plus de défis (+0,12). Cela suggère que Au fur et à mesure que les utilisateurs passent plus de temps sur la plateforme, ils deviennent plus à l'aise et plus compétents avec ses fonctionnalités ludiques..

L'hypothèse d'engagement : Qu'est-ce qui motive l'utilisation des plateformes ?

Pour compléter l'analyse des résultats de santé, nous avons modélisé les moteurs de l'activité des utilisateurs sur la plateforme. Cela a révélé un puissant schéma d'engagement synergique.

Un cercle vertueux d'engagement

Une relation solide et réciproque a été observée entre les activités physiques et le contenu éducatif, soutenant le concept de regroupement des comportements de santé, où les interventions ciblant un comportement peuvent se répercuter positivement sur d'autres (Prochaska & Prochaska, 2011). Les activités à la fois sur plateforme (programmes BTX, vidéos regardées) et hors programme (exercices externes) créent un cercle vertueux. Par exemple, l'engagement avec les programmes BTX et le visionnage de vidéos étaient des prédicteurs très forts du nombre accru d'exercices externes (augmentations d'environ 13 et 12 séances, respectivement). À leur tour, l'enregistrement de plus d'exercices externes était un puissant prédicteur d'un engagement accru avec les programmes BTX (une augmentation de près de 3 séances).

L'analyse révèle que regarder des vidéos éducatives sert de plaque tournante centrale pour l'utilisation de la plateforme. Cette constatation s'aligne avec des modèles comportementaux tels que la théorie du comportement planifié, où l'information influence les attitudes et le contrôle perçu, qui sont des antécédents de l'intention comportementale et de l'action (Ajzen, 1991). L'engagement dans les vidéos est significativement prédit par un large éventail d'autres activités, notamment l'achèvement des programmes BTX (une augmentation de 0,92 vidéo), l'achèvement des défis (une augmentation de 2,50 vidéos), l'enregistrement d'exercices externes (une augmentation de 1,20 vidéo) et même la pratique d'exercices de respiration (une augmentation de 5,53 vidéos).

Les fonctionnalités sociales (par le biais de la gamification) peuvent amplifier cet effet, bien que de manière nuancée. La participation à une ligue d'entreprise a été associée au visionnage de près de deux vidéos supplémentaires et a montré une faible tendance à enregistrer plus d'exercices externes. Cependant, elle a également été associée à un engagement nettement moindre dans les programmes BTX (une diminution de 0,78 session), suggérant La participation à des ligues peut orienter les utilisateurs vers des activités de fitness plus sociales ou générales plutôt que vers des programmes correctifs et individualisés.. De plus, l'influence de ces comportements n'est pas statique; par exemple, l'impact positif de l'exercice externe sur le démarrage d'un programme de BTX augmente considérablement avec le temps, tandis que l'impact du visionnage de vidéos sur le même résultat diminue avec le temps.

L'humeur dicte une utilisation proactive versus réactive

Les données révèlent une nette division comportementale dictée par l'humeur enregistrée de l'utilisateur, qui a déterminé si son engagement visait un soulagement immédiat ou une croissance proactive.

Lorsque les utilisateurs ont signalé des sentiments négatifs, leurs actions étaient cohérentes avec des stratégies d'adaptation immédiates.. Enregistrement d'un Mauvaise humeur était un prédicteur significatif du recours à la méditation (une augmentation de 0,04 séance). Ce comportement s'aligne sur les recherches sur les interventions mobi-santé, qui sont fréquemment utilisées de manière réactive pour gérer une détresse émotionnelle aiguë (Mohr et al., 2017). Ce schéma réactif a été davantage étayé par la découverte que l'engagement plus important dans des exercices de respiration prédisait également une probabilité accrue de consigner une mauvaise humeur (une augmentation de 0,25 point).

En revanche, des humeurs positives ont stimulé des comportements proactifs et orientés vers des objectifs. Le fait de signaler une bonne humeur prédisait de manière significative l'achèvement de davantage de défis sur la plateforme (une augmentation de 0,25 défi). Cette constatation est cohérente avec la théorie “Broaden-and-Build” de Fredrickson, qui postule que les états émotionnels positifs élargissent les répertoires cognitifs et comportementaux d'un individu, encourageant l'exploration et le développement des compétences (Fredrickson, 2001). Cette dichotomie comportementale a été renforcée par une faible tendance suggérant qu'un bonne humeur corrélée à moins utilisation d'interventions réactives ou exigeantes, tels que la Méditation (une diminution de 0,06 séance) et les Programmes BTX structurés (une diminution de 0,67 séance).

Parcours utilisateurs distincts pour la pleine conscience et l'activité physique

Une forte synergie est apparue dans les pratiques de pleine conscience, où l'engagement dans La respiration guidée a été le prédicteur le plus fort de la pratique de la méditation. (une augmentation associée d'environ 1,35 séance supplémentaire). Cela suggère que les utilisateurs peuvent les considérer comme une ensemble d'activités associées. La participation à une ligue d'entreprise a également été associée à une augmentation faible mais significative des séances de méditation.

Cependant, les données révèlent également un Compromis potentiel entre les activités contemplatives et physiquement exigeantes. Une tendance négative faible a été observée entre la pratique de la respiration guidée et l'utilisation des programmes BTX, un constat renforcé par le fait que l'engagement accru dans les programmes BTX prédisait significativement une diminution de 0,29 séance des exercices de respiration. Ce compromis est davantage souligné par la constatation que plus d'exercices de respiration étaient associés à significativement moins de séances d'exercices externes enregistrées (une diminution de 3,93 séances).

Fait intéressant, alors que la méditation semble être utilisée de manière réactive aux mauvais humeurs, les exercices de respiration sont associés à des états positifs et négatifs. Comme pour la méditation, une pratique accrue de la respiration est un prédicteur de l'enregistrement d'une mauvaise humeur. Pourtant, contrairement à la méditation, l'enregistrement d'une bonne humeur était également associé à une augmentation de 0,15 session de respiration. Cela suggère que les utilisateurs peuvent privilégier une voie axée sur le mental/la pleine conscience ou une voie axée sur l'activité physique au cours d'une période donnée, créant ainsi des modèles d'utilisateurs distincts basés sur leurs objectifs immédiats.

Discussion et implications stratégiques

Cette analyse sur trois ans fournit plusieurs informations basées sur des données. La grande stabilité des scores de bien-être, en particulier la Posture, souligne que les interventions doivent être conçues pour favoriser un changement graduel et constant. La constatation la plus exploitable est l'interaction positive significative entre l'exercice externe et le temps dans la prédiction des améliorations des scores de forme physique et mentale. L'activité physique régulière semble être le comportement le plus clairement associé à une amélioration positive de la santé, tout en faisant partie d'une boucle synergique qui stimule une utilisation plus large de la plateforme. Plus largement, les scores de forme physique et de santé mentale ont montré une tendance à s'améliorer simplement en restant engagé avec la plateforme au fil du temps, indépendamment des activités spécifiques enregistrées. Cela suggère la plateforme peut favoriser une augmentation générale de la sensibilisation à la santé ou un “ effet Hawthorne ” dû à la participation à une initiative de bien-être, offrant une marée montante qui soulève tous les utilisateurs.. Les effets Hawthorne sont un phénomène où les sujets modifient leur comportement en réponse à la conscience d'être observés (McCarney et al., 2007). Cependant, l'effet de l'exercice externe constant s'est avéré être significatif supplémentaire moteur d'amélioration, soulignant que si l'engagement général est bénéfique, l'action ciblée est ce qui produit les gains les plus substantiels et mesurables.

De plus, l'analyse révèle le rôle nuancé et ciblé des différents outils au sein de l'écosystème. L'utilisation de la méditation pour la régulation de l'humeur à la volée montre la plateforme fournit avec succès aux utilisateurs des outils de soutien émotionnel immédiat, un élément essentiel de la santé psychosociale, et s'aligne sur un large éventail de preuves démontrant les bienfaits des pratiques basées sur la pleine conscience pour la santé (Grossman et al., 2004). De même, les données sur les programmes de postures exigeantes fournissent des informations claires et exploitables pour l'évolution continue des produits. En identifiant un défi d'observance, la plateforme a généré les données nécessaires pour innover, par exemple en reformulant le programme en “ micro-interventions ” plus gérables.”

En conclusion, la plateforme BIOTONIX s'est avérée être un outil puissant et intelligent pour le bien-être en entreprise. Elle établit un environnement d'amélioration intrinsèque, dirige les utilisateurs vers les comportements les plus efficaces, fournit des outils ciblés pour des besoins spécifiques et génère les données nécessaires à sa propre amélioration continue. C'est une solution prometteuse et démontablement efficace pour améliorer le bien-être des employés.

Bibliographie

1. • Ajzen, I. (1991). La théorie du comportement planifié. Comportement organisationnel et processus de décision humaine, 50(2), 179-211. Lien DOI

• • Burnham, K. P., & Anderson, D. R. (2002). Sélection de modèles et inférence multimodèle : une approche pratique fondée sur la théorie de l'information (2e éd.). Springer-Verlag. Page de l'éditeur Springer

• • BIOTONIX (2023). Revues scientifiques et documentation relatives aux produits et services de Biotonix, Inc. BIOTONIX Posture. Revue scientifique

• • Chekroud, S. R., et al. (2018). Association entre l'exercice physique et la santé mentale chez 1,2 million d'individus aux États-Unis entre 2011 et 2015 : une étude transversale. The Lancet Psychiatry. Lien DOI

• • Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). Des éléments de conception de jeux à la ludicité : Définir la “ ludification ”. Actes de la 15ème Conférence Académique Internationale MindTrek, 9–15. Lien DOI

• • Embretson, S. E., & Reise, S. P. (2013). Théorie de la réponse à l'item pour psychologues. Taylor et Francis. Bibliothèque numérique Perlego

• • Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996). Un algorithme basé sur la densité pour la découverte de clusters dans de grandes bases de données spatiales avec du bruit. Dans Actes de la deuxième conférence internationale sur la découverte et l'exploration de données (KDD’96), 226–231. AAAI Press. Lien PDF

• • Eysenbach, G. (2005). La loi de l'attrition. Journal de médecine en ligne, 7(1), e11. Lien DOI

• • Fitzmaurice, G. M., Laird, N. M., et Ware, J. H. (2011). Analyse longitudinale appliquée (2e éd.). Wiley. Lien DOI

• • Fogg, B. J. (2009). Un modèle de comportement pour la conception persuasive. Actes de la 4e Conférence internationale sur la technologie persuasive, 1-7. Lien DOI

• • Fredrickson, B. L. (2001). Le rôle des émotions positives en psychologie positive : la théorie de l'élargissement et de la construction des émotions positives. Psychologue américain, 56 ans(3), 218–226. Lien DOI

• • Groenwold, R. H., et al. (2009). Évaluation quantitative de la confusion par indication dans les études observationnelles. Revue européenne d'épidémiologie. Lien DOI

• • Grossman, P., et al. (2004). Réduction du stress basée sur la pleine conscience et bienfaits pour la santé : une méta-analyse. Journal de recherche psychosomatique. Lien DOI

• • Hillman, C. H., et al. (2008). Soyez intelligent, exercez votre cœur : les effets de l'exercice sur le cerveau et la cognition. Nature Reviews Neuroscience. Lien DOI

• • Jolliffe, I. T. (2002). Analyse en Composantes Principales (2e éd.). Springer. Page de l'éditeur Springer

• • Kutner, M. H., et al. (2005). Modèles statistiques linéaires appliqués (5e éd.). McGraw-Hill Irwin. Lien d'archive

• • Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Forêt d'isolement. Huitième conférence internationale IEEE sur l'exploration de données 2008, 413-422. Lien DOI

• • Massey, F. J., Jr. (1951). Le test de Kolmogorov-Smirnov d'ajustement. Journal de la American Statistical Association, 46(253), 68–78. Lien DOI

• • McCarney, R., Warner, J., Iliffe, S., van Haselen, R., Griffin, M., et Fisher, P. (2007). L'effet Hawthorne : un essai randomisé contrôlé. BMC Medical Research Methodology, 7(1), 30. Lien DOI

• • Mohr, D. C., Weingardt, K. R., Reddy, M., & Schueller, S. M. (2017). Trois problèmes dans la recherche actuelle sur la santé mentale numérique... et trois choses que nous pouvons faire à leur sujet. Services psychiatriques, 68(5), 427–429. Lien DOI

• • Nakagawa, S., & Schielzeth, H. (2013). Une méthode générale et simple d'obtention de R² à partir de modèles mixtes linéaires généralisés. Méthodes en écologie et en évolution. Lien DOI

• • Pinheiro, J. C., & Bates, D. M. (2000). Modèles mixtes dans S et S-PLUS. Springer. Page de l'éditeur Springer

• • Prochaska, J. J., et Prochaska, J. O. (2011). Une revue de multiples interventions de changement de comportement en matière de santé pour la prévention primaire. Journal américain de médecine du style de vie. Lien DOI

• • Rubner, Y., Tomasi, C., & Guibas, L. J. (2000). La distance du terrassier comme métrique pour la recherche d'images. Revue Internationale d'Informatique et Vision, 40(2), 99–121. Lien DOI

• • Sahrmann, S. A. (2002). Diagnostic et traitement des syndromes d'atteinte motrice. Mosby. Lien DOI

• • Stansfeld, S., & Candy, B. (2006). Environnement de travail psychosocial et santé mentale : une revue méta-analytique. Revue scandinave de travail, environnement et santé, 32(6), 443–462. Lien DOI

• • Symonds, M. R., & Moussalli, A. (2011). Un guide bref de la sélection de modèles, de l'inférence multimodel et de la moyenne de modèles en écologie comportementale utilisant le critère d'information d'Akaike. Écologie comportementale et sociobiologie. Lien DOI

• • van Buuren, S. (2018). Imputation flexible des données manquantes (2e éd.). CRC Press. Lien d'archive

• • van Buuren, S., et Groothuis-Oudshoorn, K. (2011). mice : Imputation multivariée par équations chaînées dans R. Journal of Statistical Software, 45(3), 1–67. Lien DOI

• • van der Maaten, L., & Hinton, G. (2008). Visualisation de données à l'aide de t-SNE. Journal of Machine Learning Research, 9(11), 2579-2605. Lien JMLR

• • Wagenmakers, E.-J., et al. (2012). Un ordre du jour pour la recherche purement confirmatoire. Perspectives sur la science psychologique. Lien DOI

Annexe A : Données démographiques de la cohorte et dynamique de participation

Cette annexe fournit une description globale de la cohorte afin de contextualiser les principaux résultats analytiques. Les visualisations mettent en évidence la composition de la base d'utilisateurs, les fluctuations saisonnières de l'activité et les cycles de vie de participation typiques.

Figure A1 : Tendances saisonnières de l'activité des utilisateurs

Un examen de la participation des utilisateurs révèle tendances saisonnières distinctes. Comme le montre la figure A1, le pourcentage d'utilisateurs actifs baisse constamment durant les mois d'été chaque année avant de se redresser à l'automne. Ce cycle apparaît pour les utilisateurs des ligues et des non-ligues, ce qui suggère que des facteurs externes tels que les vacances d'été ont une influence générale sur l'engagement sur la plateforme. Bien que les membres des ligues soient constamment plus actifs, ils ne sont pas immunisés contre cette baisse saisonnière.

Figure A2 : Composition démographique par statut de ligue

La répartition par âge et par sexe de la cohorte révèle un effet de sélection notable lié à la participation à la ligue. Bien que la répartition par âge soit similaire entre les deux groupes, la figure A2 montre une proportion visiblement plus élevée de participantes dans la cohorte “ En ligue ”. Cela reflète probablement la démographie de partenaires d'entreprise qui inscrivent des employés à des activités de ligue et ont tendance à avoir des équipes plus diversifiées en termes de genre. Sur toutes les saisons, la répartition par âge pour les deux sexes et les statuts de ligue reste stable.

Figure A3 : Inscription du participant

Figure A4 : Durée de l'étude du participant

L'étude a utilisé une admission continue, avec des participants rejoignant tout au long de la période de trois ans. La figure A3 démontre que cette entrée n'a pas été uniforme, car moins de participants ont rejoint pendant les saisons estivales. Le plus grand afflux de nouveaux utilisateurs a eu lieu à l'hiver 2023-2024.

Une fois inscrits, un schéma clair apparaît dans la durée de participation. Comme illustré dans la figure A4, une écrasante majorité d'utilisateurs sont actifs pendant une seule saison de trois mois, une durée qui correspond aux programmes de bien-être d'entreprise standards (8 semaines). Le nombre d'utilisateurs qui restent engagés pendant deux saisons consécutives ou plus diminue considérablement, un schéma typique qui souligne le défi de la rétention à long terme.

Annexe B : Dynamiques d'engagement pour les activités clés de la plateforme

Cette annexe détaille les tendances d'engagement pour des activités spécifiques de la plateforme, stratifiées par participation aux ligues. Ces visualisations montrent comment différents segments d'utilisateurs interagissent avec les outils de la plateforme, révélant des modèles distincts liés à la gamification, aux initiatives saisonnières et à l'adoption de fonctionnalités.

Figure B1 : Nombre d'évaluations

La fréquence des évaluations de santé indique deux comportements d'utilisateurs distincts. Un segment d'utilisateurs, illustré dans la figure B1, s'engage dans une boucle fréquente d'évaluation-réévaluation, réalisant six évaluations ou plus par trimestre. En revanche, un autre segment ne met pas à jour ses scores sur une période de trois mois ; ces cas sont traités comme des “ résultats constants ” dans les modèles longitudinaux.

Figure B2 : Engagement du programme BTX

L'engagement avec le Les programmes BTX structurés sont très sensibles aux initiatives externes. La figure B2 montre que la participation culmine s'aligner sur des campagnes de bien-être d'entreprise ciblées, suivi d'une baisse significative lorsque les utilisateurs ne sont pas activement sollicités. Ce schéma suggère que la nature exigeante des programmes nécessite un encouragement externe constant pour favoriser l'adhésion.

Figure B3 : Défis et Gamification

Figure B4 : L'exercice extérieur comme source de motivation

L'impact de la gamification est clairement visible dans la réalisation des défis et l'enregistrement des exercices physiques. Les participants aux ligues réalisent significativement plus de défis que leurs homologues qui n'en font pas partie., indiquer que le système de notation concurrentiel est un puissant moteur (Figure B3), une découverte cohérente avec la littérature montrant que les éléments de gamification tels que les points et les classements peuvent augmenter significativement l'engagement (Deterding et al., 2011). Une tendance similaire est observée pour l'exercice externe, où les membres de la ligue enregistrent constamment plus d'activité (Figure B4). Les deux activités montrent des pics saisonniers qui correspondent souvent à des initiatives de bien-être en entreprise.

Figure B5 : Goutte de méditation de pleine conscience

Figure B6 : Adoption de la respiration consciente

L'adoption des outils de pleine conscience révèle des cycles de vie distincts. L'utilisation de la méditation (Figure B5) a connu un pic significatif au lancement de la fonctionnalité, suivi d'un déclin progressif, suggérant une adoption motivée par la nouveauté. En revanche, exercices de respiration (Figure B6) ont été adoptées plus régulièrement et ont maintenu un engagement plus constant. Pour les deux caractéristiques, les participants à la ligue ont montré une plus grande propension à s'engager.

Note sur le Suivi d'Humeur

Le suivi de l'humeur par l'utilisateur a été introduit tard dans la période d'étude. Les données disponibles ne sont donc pas encore suffisantes pour générer des visualisations longitudinales pertinentes.

Annexe C : Tendances au niveau du groupe en matière de scores de bien-être

Cet annexe fournit un aperçu visuel des scores moyens de bien-être pour la cohorte. Alors que l'analyse principale utilise des modèles pour isoler le changement au niveau individuel, ces graphiques agrégés complètent ces résultats en illustrant les tendances générales et les schémas saisonniers qui caractérisent la base d'utilisateurs.

Figure C1 : Une trajectoire générale d'amélioration de la santé physique

Figure C2 : Une trajectoire générale d'amélioration de la santé mentale

Contrairement à la posture, les moyennes de groupe pour les scores de forme physique (Figure C1) et mentale (Figure C2) montrent une trajectoire ascendante claire, bien que modeste, au cours de l'étude. Cette observation s'aligne sur les résultats du modèle de base, qui ont identifié un effet positif significatif du temps sur ces résultats. Les graphiques reflètent cela. le bénéfice inhérent d'une participation soutenue, ce qui est ensuite complété par l'impact de comportements spécifiques tels que l'exercice extérieur.

Figure C3 : La stabilité des scores de posture

Le score moyen de posture montre des fluctuations considérables d'un trimestre à l'autre, mais aucune tendance directionnelle claire sur la période de trois ans., en réfléchissant besoins ergonomiques différents sur le lieu de travail pour chacun de nos partenaires. Cette preuve visuelle (Figure C3) soutient la conclusion du modèle selon laquelle la posture est une métrique très stable reflétant des adaptations chroniques. L'absence de pente ascendante discernable dans la moyenne du groupe est cohérente avec l'analyse, qui n'a trouvé aucun effet longitudinal mesurable des interventions telles que les programmes BTX.

Figure C4 : Scores Psycho-Sociaux et Participation à la Ligue

La tendance des scores psychosociaux (figure C4) met en évidence l'expérience distincte des utilisateurs d'une ligue d'entreprise, qui déclarent souvent des scores moyens considérablement plus élevés que les participants non affiliés à une ligue. Le graphique illustre cette différence de base entre les groupes. Cet écart fluctue au fil du temps sans trajectoire ascendante ou descendante claire et soutenue pour la cohorte, reflétant besoins d'environnement de travail différents pour chacun de nos partenaires.

Annexe D : Évolution des structures de corrélation transversale

Bien que les modèles longitudinaux infèrent des changements au fil du temps, une analyse transversale des corrélations au sein de chaque saison offre un aperçu précieux du comportement des utilisateurs. L'analyse suivante révèle une évolution claire, passant d'activités isolées dans les premières étapes à un schéma d'engagement très interconnecté dans les périodes ultérieures, illustrant comment les utilisateurs développent des habitudes plus complexes au fil du temps.

Figure D1 : La période intermédiaire de l'étude, l'émergence d'une boucle d'engagement centrale

La saison d'automne 2023 (Figure D1) marque un tournant décisif. Contrairement aux corrélations éparses des saisons précédentes, cette période montre l'émergence claire d'un schéma d'engagement synergique. La carte thermique révèle une retour positif fort boucle : l'engagement avec les programmes BTX est significativement corrélé avec le visionnage de plus de vidéos et l'enregistrement de plus d'exercices externes. Ceci est la première période où cette relation fondamentale devient statistiquement visible.

Figure D2 : La période d'étude tardive, un écosystème mature et holistique

Pour la saison Hiver 2025 (Figure D2), la structure corrélationnelle a évolué vers un réseau beaucoup plus dense et complexe, représentant un écosystème mature. La boucle d'activité physique de base reste forte mais est maintenant complétée par un ensemble entièrement intégré d'habitudes de pleine conscience et de gamification. La carte thermique montre de nouvelles corrélations fortes entre Respiration, Méditation et achèvement des défis. Cet instantané illustre le comportement d'un une base d'utilisateurs matures qui s'engagent de manière holistique à travers les fonctionnalités de la plateforme.

Figure D3 : Les prochaines étapes de l'étude, y compris le suivi de l'humeur

La période finale de l'étude actuelle, Printemps 2025 (Figure D3), offre le premier aperçu clair du nouvel outil de suivi de l'humeur. Cela permet une analyse transversale initiale de la relation entre l'humeur auto-déclarée et les principaux scores de bien-être. Les données révèlent une relation nuancée entre les états émotionnels des utilisateurs et leurs scores de santé. Une corrélation négative simple apparaît entre le score cognitif et le fait d'enregistrer une mauvaise humeur, indiquant que les utilisateurs ayant des fonctions cognitives plus élevées ont tendance à signaler moins de mauvaises humeurs.

Annexe E : Analyse en Composantes Principales de la Structure de la Cohorte

Pour compléter l'analyse de régression et confirmer visuellement la structure corrélationnelle de l'ensemble de données, nous avons effectué une Analyse en Composantes Principales (ACP) sur les données imputées (Jolliffe, 2002). Cette approche nous permet de projeter les données utilisateur de haute dimension sur ses axes de variance principaux, révélant les modèles dominants dans les résultats de santé et les activités des utilisateurs.

Figure E1 : Chevauchement de cohorte par statut de ligue (ACP)

La projection des composantes principales (Figure E1) montre pas de séparation claire entre les utilisateurs de la ligue et les utilisateurs non-ligue, indiquant que malgré les différences dans les niveaux d'activité moyens identifiés par les modèles de régression, la structure globale de variance des deux groupes est en grande partie indiscernable.

Figure E2 : Relations Inter-scores (ACP)

Figure E3 : Interrelations entre les activités (PCA)

Les biplots fournissent une visualisation des relations entre les variables identifiées dans notre analyse principale. La quasi-orthogonalité du vecteur Posture par rapport aux vecteurs Fitness, Cognitif et Psycho-Social (Figure E2) offre une confirmation géométrique claire de son indépendance statistique en tant que domaine de la santé.. En outre, le biplot d'activité (Figure E3) révèle deux archétypes comportementaux distincts. Le premier est un “ Axe Réadaptation Physique ”, où la participation aux programmes BTX et aux exercices externes sont étroitement liés. Le second est un “Axe ”Engagement conscient", qui regroupe des fonctionnalités de pleine conscience (Respiration, Méditation) avec la gamification (Défis) et la consommation de contenu (Vidéos). Ce regroupement étaye visuellement les boucles de rétroaction synergiques que nos modèles de régression ont révélées, montrant comment des modèles d'engagement utilisateur distincts émergent de l'écosystème de la plateforme.

Annexe F : Recherche et sélection de l'espace modèle

Pour identifier les modèles prédictifs les plus précis et les plus parcimonieux, cette étude a employé une méthodologie de recherche avancée conçue pour surmonter les limitations des approches automatisées traditionnelles. Les méthodes de régression pas à pas standard sont “ gourmandes ”, c'est-à-dire qu'elles suivent un chemin unique d'améliorations et peuvent facilement se retrouver bloquées dans un “ optimum local ” : un modèle qui semble le meilleur à une étape donnée mais qui n'est pas le meilleur modèle dans l'ensemble. Notre approche, combinant une recherche stochastique par faisceau (Stochastic Beam Search) avec une analyse topologique de l'espace des modèles, est explicitement conçue pour naviguer dans cette complexité et éviter de tels écueils.

Figure F1 : L'Arbre Cognitif de Recherche Stochastique par Faisceau

Au lieu de suivre un chemin unique, l'algorithme maintient un “ faisceau ” de plusieurs des modèles les plus performants à chaque étape, lui permettant d'explorer plusieurs chemins prometteurs en parallèle. De plus, la sélection des nouveaux prédicteurs à tester est probabiliste, permettant à la recherche d'explorer occasionnellement des chemins moins évidents qui peuvent mener à une solution supérieure. La structure arborescente résultante pour le résultat cognitif (Figure F1) est une visualisation de cette exploration parallèle. Chaque point représente un modèle candidat, représenté par son étape dans le processus de recherche et sa performance via le score AIC (axe vertical, plus bas est mieux). L'algorithme peut efficacement revenir en arrière et sauter entre différentes familles de modèles. La ligne rouge met en évidence la trajectoire sinueuse suivie par l'algorithme pour aboutir au modèle final le plus performant, un chemin qu'une simple recherche linéaire pas à pas aurait probablement manqué.

Figure F2 : Navigation dans la topologie de l'espace du modèle cognitif

Nous avons également visualisé l'espace de modèles exploré sous forme de carte topologique 2D à l'aide de t-SNE (Figure F2), une technique de réduction de dimensionnalité non linéaire bien adaptée à la visualisation de jeux de données de haute dimension (van der Maaten & Hinton, 2008). Sur cette carte, chaque cercle représente un modèle candidat, et les modèles ayant des prédicteurs et des poids de coefficients similaires sont placés à proximité les uns des autres. La couleur d'arrière-plan correspond au score AIC, les “ vallées ” jaunes représentant des régions de modèles plus ajustés.

Cette visualisation confirme que l'espace des modèles est une topographie complexe avec de multiples optima locaux. Pour le résultat cognitif, la recherche a identifié deux “familles” distinctes de solutions, regroupées à l'aide de l'algorithme DBSCAN (Ester et al., 1996) sur une distance personnalisée hybride basée sur l'AIC et les poids du modèle. Une recherche gloutonne standard aurait facilement pu être piégée dans le premier optimum local (meilleur AIC ≈ 308). Le graphique montre clairement comment la recherche stochastique par faisceau a pu traverser l'espace des modèles, échapper à cette région et découvrir l'ensemble de modèles globalement supérieur dans la vallée du second cluster, qui contient le meilleur modèle trouvé (AIC ≈ 288). Ce processus garantit que le modèle final sélectionné pour la moyenne et l'inférence est issu de la région la plus robuste et la plus performante de l'espace de modèles exploré dans son ensemble.