护理研究

纳入文献	国家		样本特征	结局指标	数据收集方法	采集时间表特征	应答相关结果（%）
McKee等^[19]2014	英国	违反减重饮食	80	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	7	半随机	2		93.8	70
Thøgersen-Ntoumani等^[20]2021	澳大利亚	违反减重饮食	56	饮食失误核心指标、情绪症状	手机应用程序	1	14	半随机	2		82.1
Roordink等^[21]2023	荷兰	违反减重饮食	81	饮食失误核心指标、情境指标	手机应用程序	2	7	半随机	6	150	94.2	83.8
Saito等^[22]2025	日本	糖尿病饮食	20	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	14	固定	3	30		75.13
Manasse等^[23]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	14	半随机	6	150	98.4	82.3
Sala等^[24]2023	美国	违反减重饮食	87	饮食失误核心指标、躯体症状	手机应用程序	1	14	固定	6	30	95.4	83.7
Manasse等^[25]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	14	半随机	6	150	98.4	82.4
Goldstein等^[26]2022	美国	违反减重饮食	25	饮食失误核心指标、躯体症状、情境指标	手机应用程序	12	7	半随机	5	120±60	75.6	74.5
Forman等^[27]2017	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	3	14	半随机	6	150	98.4	82.4
Schumacher等^[28]2018	美国	违反减重饮食	91	饮食失误核心指标	手机应用程序	1	14	半随机	6		91	84.45
Goldstein等^[29]2021	美国	违反减重饮食	121	饮食失误核心指标、情境指标	手机应用程序	1	70	半随机	6	90	63.1
Goldstein等^[30]2021	美国	违反减重饮食	121	饮食失误核心指标、情绪症状、情境指标	手机应用程序	1	70	半随机	6	90	62.9
Chew等^[31]2025	美国	违反减重饮食	251	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	7		3		94.3	84~92
Crochiere等^[32]2022	美国	违反减重饮食	150	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	14	半随机	6		94.3	87.9
Forman等^[33]2019	美国	违反减重饮食	43	饮食失误核心指标、可行性	手机应用程序	1	32	半随机	6		97.7	85.1
Forman等^[34]2019	美国	违反减重饮食	119	饮食失误核心指标、可行性	手机应用程序	1	70	半随机	6		87.4	62.9
Sala等^[35]2021	美国	违反减重饮食	126	饮食失误核心指标、情绪症状	手机应用程序	1	7	半随机	6	150	89.81
Pagoto等^[36]2021	美国	违反减重饮食	64	饮食失误核心指标、可行性	手机应用程序	1	84	固定	1		97
Chwyl等^[37]2023	美国	违反减重饮食	107	饮食失误核心指标、情境指标	手机应用程序	1	21	半随机	6	90	100	92.3
Goldstein等^[38]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、情境指标	手机应用程序	1	14	半随机	6	150	98.4	82.4
Crochiere等^[39]2021	美国	违反减重饮食	23	饮食失误核心指标、可行性	手机应用程序	6	7	半随机	6	90	93.3	93.4
Merwin等^[40]2015	美国	违反糖尿病饮食	83	饮食失误核心指标、情绪症状、躯体症状、可行性	手机电话	1	3	半随机	14~28		96.46

纳入文献	国家		样本特征	结局指标	数据收集方法	采集时间表特征	应答相关结果（%）
McKee等^[19]2014	英国	违反减重饮食	80	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	7	半随机	2		93.8	70
Thøgersen-Ntoumani等^[20]2021	澳大利亚	违反减重饮食	56	饮食失误核心指标、情绪症状	手机应用程序	1	14	半随机	2		82.1
Roordink等^[21]2023	荷兰	违反减重饮食	81	饮食失误核心指标、情境指标	手机应用程序	2	7	半随机	6	150	94.2	83.8
Saito等^[22]2025	日本	糖尿病饮食	20	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	14	固定	3	30		75.13
Manasse等^[23]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	14	半随机	6	150	98.4	82.3
Sala等^[24]2023	美国	违反减重饮食	87	饮食失误核心指标、躯体症状	手机应用程序	1	14	固定	6	30	95.4	83.7
Manasse等^[25]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	14	半随机	6	150	98.4	82.4
Goldstein等^[26]2022	美国	违反减重饮食	25	饮食失误核心指标、躯体症状、情境指标	手机应用程序	12	7	半随机	5	120±60	75.6	74.5
Forman等^[27]2017	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	3	14	半随机	6	150	98.4	82.4
Schumacher等^[28]2018	美国	违反减重饮食	91	饮食失误核心指标	手机应用程序	1	14	半随机	6		91	84.45
Goldstein等^[29]2021	美国	违反减重饮食	121	饮食失误核心指标、情境指标	手机应用程序	1	70	半随机	6	90	63.1
Goldstein等^[30]2021	美国	违反减重饮食	121	饮食失误核心指标、情绪症状、情境指标	手机应用程序	1	70	半随机	6	90	62.9
Chew等^[31]2025	美国	违反减重饮食	251	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	7		3		94.3	84~92
Crochiere等^[32]2022	美国	违反减重饮食	150	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	14	半随机	6		94.3	87.9
Forman等^[33]2019	美国	违反减重饮食	43	饮食失误核心指标、可行性	手机应用程序	1	32	半随机	6		97.7	85.1
Forman等^[34]2019	美国	违反减重饮食	119	饮食失误核心指标、可行性	手机应用程序	1	70	半随机	6		87.4	62.9
Sala等^[35]2021	美国	违反减重饮食	126	饮食失误核心指标、情绪症状	手机应用程序	1	7	半随机	6	150	89.81
Pagoto等^[36]2021	美国	违反减重饮食	64	饮食失误核心指标、可行性	手机应用程序	1	84	固定	1		97
Chwyl等^[37]2023	美国	违反减重饮食	107	饮食失误核心指标、情境指标	手机应用程序	1	21	半随机	6	90	100	92.3
Goldstein等^[38]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、情境指标	手机应用程序	1	14	半随机	6	150	98.4	82.4
Crochiere等^[39]2021	美国	违反减重饮食	23	饮食失误核心指标、可行性	手机应用程序	6	7	半随机	6	90	93.3	93.4
Merwin等^[40]2015	美国	违反糖尿病饮食	83	饮食失误核心指标、情绪症状、躯体症状、可行性	手机电话	1	3	半随机	14~28		96.46

生态瞬时评估在饮食失误管理中应用的范围综述

黄佳莉 ¹ , 何杨 ¹ , 班贵兰 ¹ , 王春莲 ² , 刘静兰 ¹ , 邓红艳 ¹^,^*^,^*

护理研究 | 科研综述 2026,40(18): 3299-3305

收起

护理研究 |科研综述 2026 , 40 (18) : 3299 -3305

生态瞬时评估在饮食失误管理中应用的范围综述

全屏

黄佳莉¹, 何杨¹, 班贵兰¹, 王春莲², 刘静兰¹, 邓红艳¹^,^*^,^*

作者信息

¹三峡大学第一临床医学院/宜昌市中心人民医院,湖北 443003

²成都市成华区第七人民医院

通讯作者:

邓红艳，E-mail:1160279690@qq.com

DENG Hongyan, E-mail:1160279690@qq.com

作者简介:

黄佳莉，硕士研究生

Application of ecological momentary assessment in dietary lapse management:a scoping review

Jiali HUANG¹, Yang HE¹, Guilan BAN¹, Chunlian WANG², Jinglan LIU¹, Hongyan DENG¹

Affiliations

¹The First Clinical Medical College of China Three Gorges University/Yichang Central People's Hospital, Hubei 443003 China

²The Seventh People's Hospital of Chenghua District, Chengdu

出版时间: 2026-09-25 doi: 10.12102/j.issn.1009-6493.2026.18.023

文章导航

摘要

收起

目的

系统整合生态瞬时评估（EMA）应用于饮食失误管理的研究成果。

方法

检索中国知网、万方数据库、维普数据库、PubMed、Web of Science、Cochrane Library、EMbase、CINAHL数据库关于EMA在饮食失误管理中应用的相关文献，检索时限为建库至2025年10月30日，由2名研究人员筛选文献并提取数据。

结果

最终纳入22篇文献，研究主要集中于欧美国家，样本以超重或肥胖减重人群为主，部分延伸至糖尿病病人。EMA数据采集以智能手机应用程序为主要工具，采用半随机提示、固定提示等方式，监测周期为3~84 d，每日提示以6次居多。负性情绪是饮食失误的主要心理诱因，社交环境、饥饿感等也会影响失误发生。EMA应用的参与率为62.9%~100.0%，用户对EMA接受度良好，但存在方法学标准化不足、长期监测易致疲劳等问题。

结论

EMA具有实时性、生态化优势，在揭示饮食失误触发机制、指导个性化干预方面具有重要价值，且具备较好的应用可行性。未来需推动方法学标准化建设，加强技术融合与特殊人群研究，促进其从研究工具向临床常规干预手段转化。

关键词

生态瞬时评估（EMA） / 饮食失误 / 体重管理 / 精准干预 / 移动健康

Abstract

收起

Objective

To systematically synthesize the research findings on the application of ecological momentary assessment(EMA) in dietary lapse management.

Methods

Relevant literature on the application of EMA in dietary lapse management was retrieved from the CNKI,Wanfang Database,VIP Database,PubMed,Web of Science,Cochrane Library,EMbase,and CINAHL databases.The retrieval time was from the inception of each database to October 30,2025.Literature was screened and data were extracted independently by 2 researchers.

Results

A total of 22 studies were finally included.The research was mainly concentrated in European and American countries,with samples predominantly consisting of overweight/obese individuals attempting weight loss,and some studies extended to patients with diabetes.Smartphone applications served as the primary tool for EMA data collection,using semi-random prompts,fixed prompts, and other scheduling methods.The monitoring period ranged from 3 to 84 days,with 6 daily prompts being the most frequent schedule.Negative emotions were identified as the main psychological trigger for dietary lapses,while social environment,hunger,and other factors also influenced lapse occurrence.The participation rate for EMA application ranged from 62.9% to 100.0%.Users demonstrated good acceptance of EMA,although issues such as insufficient methodological standardization and fatigue from long-term monitoring were noted.

Conclusions

EMA offers advantages of real-time and ecological validity.EMA demonstrated significant value in revealing the trigger mechanisms of dietary lapses and guiding personalized interventions,with good application feasibility.Future efforts should promote methodological standardization,strengthen technological integration,and expand research in special populations,with the aim of facilitating its transformation from a research tool to a routine clinical intervention approach.

Key words

ecological momentary assessment, EMA / dietary lapse / weight management / precision intervention / mobile health

引用本文

黄佳莉, 何杨, 班贵兰, 王春莲, 刘静兰, 邓红艳. 生态瞬时评估在饮食失误管理中应用的范围综述. 护理研究, 2026 , 40 (18) : 3299 -3305 . DOI: 10.12102/j.issn.1009-6493.2026.18.023

Jiali HUANG, Yang HE, Guilan BAN, Chunlian WANG, Jinglan LIU, Hongyan DENG. Application of ecological momentary assessment in dietary lapse management:a scoping review[J]. Chinese Nursing Research, 2026 , 40 (18) : 3299 -3305 . DOI: 10.12102/j.issn.1009-6493.2026.18.023

正文

收起

肥胖作为全球性的重大公共卫生挑战之一，患病率在过去几十年中持续上升，目前已发展为流行病规模^[1-2]。肥胖是一种慢性复发性疾病，其特征为炎症状态并伴有显著的死亡率和并发症^[3]。已有研究结果显示，肥胖与多种疾病（如高血压、糖尿病、心力衰竭等）存在关联^[4]，而饮食调整是体重管理的重要组成部分^[5-6]。从根本上看，减肥的关键在于实现能量摄入低于消耗的负平衡状态^[7]。但关于达成这一目标的最佳方式，目前观点尚不统一，最终仍需归结于找到能够长期坚持的个体化策略。对于减肥者，当前可供选择的途径包括控制热量并调整三大营养素比例、规避或侧重某些特定食物^[8]以及遵循特定饮食模式，其基本原理是通过减少食物摄入量、增加新陈代谢或能量消耗使机体处于能量缺乏状态，尤其是坚持低热量饮食对于促进成功减肥具有重要意义^[9]。饮食失误（dietary lapses）是指个体在饮食管理过程中偏离预期健康饮食目标的非持续性行为^[10]，其并非严格意义上的进食障碍，而是普遍存在于普通人群的饮食行为偏差。已有研究表明，在生活方式改变干预期间，饮食失误每周发生2.7~11.8次，失误较多时在既定的治疗时间内体重减轻较少^[11]。生态瞬时评估（ecological momentary assessment，EMA）是一种在自然环境中实时、动态收集个体行为、情绪及情境数据，并基于此提供即时干预的创新研究方法^[12-13]，其通过智能手机和可穿戴设备将传统回顾式评估转变为当下监测，能精准捕捉情绪化进食等高危瞬间，并通过即时反馈打破不良行为链条，最终实现从标准化干预向个性化、情境化精准健康管理的根本性转变^[14]。目前，EMA已在体力活动监测、心理健康评估等领域广泛应用^[15-16]，但在饮食失误管理领域的应用场景、数据采集规范、有效性证据系统梳理不足。因此，本研究系统整合EMA应用于饮食失误管理的研究成果，旨在为后续饮食失误的精准评估与个体化干预提供科学参考，助力我国人群饮食健康及代谢相关疾病的一级预防。

1　资料与方法

收起

1.1　确定研究问题

聚焦EMA在饮食失误管理领域的核心应用问题，明确综述方向：1）EMA用于饮食失误管理的研究现状如何？其数据采集方式包含哪些类型？2）EMA应用于饮食失误管理的可行性与有效性证据有哪些？3）当前EMA在饮食失误研究中存在的局限及改进方向是什么？

1.2　文献检索

以“生态瞬时”“经验取样法”“事件取样法”“日记法”“动态评估”“饮食失误”“饮食”等为中文检索词，以“ecological momentary assessment”“experience sampling”“just-in-time adaptive interventions”“dietary lapses”“dietary errors”等为英文检索词，检索中国知网、万方数据库、维普数据库、PubMed、Web of Science、Cochrane Library、EMbase、CINAHL，检索时限为数据库建库至2025年10月30日。使用布尔逻辑运算符“AND”和“OR”构建适用于数据库的检索式，并以标题和摘要为检索字段。以PubMed为例，检索策略如下：

#1 "ecological momentary assessment"[MeSH]

#2 （"ecological momentary assessment"[Title/Abstract] OR "assessments,ecological momentary"[Title/Abstract] OR "ecological momentary assessments"[Title/Abstract] OR "momentary assessment,ecological"[Title/Abstract] OR "momentary assessments,ecological"[Title/Abstract] OR "experience sampling"[Title/Abstract] OR "experience samplings"[Title/Abstract] OR "sampling,experience"[Title/Abstract] OR "samplings,experience"[Title/Abstract] OR "just-in-time adaptive interventions"[Title/Abstract]）

#3 #1 OR #2

#4 "dietary lapses"[MeSH]

#5 （"dietary lapses"[Title/Abstract] OR "dietary slip-ups"[Title/Abstract] OR "dietary errors"[Title/Abstract] OR "dietary"[Title/Abstract]）

#6 #4 OR #5

#7 #3 AND 6

1.3　文献纳入与排除标准

根据PCC原则制定文献筛选标准。纳入标准：研究对象（population，P）：年龄≥18岁，存在明确的饮食失误行为；概念（concept，C）：研究内容涉及EMA方法，每日进行1次或多次评估，持续时间>24 h；情境（context，C）：在自然情境下应用EMA。排除标准：重复文献；无法获得全文；研究内容未提及EMA实施内容或效果。

1.4　文献筛选

使用EndNote 21软件对检索到的文献去重。由2名研究人员根据纳入与排除标准独立进行文献初筛，阅读全文后进行文献复筛，若2名研究人员对文献的纳入与否出现判断分歧，则邀请第3名研究人员参与讨论协商，共同研判最终确定文献。

1.5　数据提取

按照PRISMA-ScR指南进行范围界定。本研究遵循范围界定审查方法^[17]，未进行正式的偏倚风险或质量评估^[18]。由2名研究人员独立对纳入文献进行数据提取，如遇分歧与第3名研究人员讨论。提取信息包括：1）研究设计特征，如样本特征（饮食失误类型、样本量）、国家、发表时间和结局指标等；2）EMA数据收集情况，如数据收集方法、采集时间表特征（采集周期、持续时间、数据取样方法、提示频率、提示间隔时间）等；3）EMA应答相关结果，如参与率、应答率等；4）主要研究结果。

2　结果

收起

2.1　文献筛选结果

共检索到文献1 719篇，通过EndNote 21剔除重复文献471篇，阅读标题及摘要后剔除文献1 196篇，阅读全文后最终纳入22篇文献^[19-40]。

2.2　纳入研究的基本特征

纳入研究样本量为20~251例，研究呈现明显的集中化特征，其中美国开展18项研究^[23-40]，英国^[19]、澳大利亚^[20]、荷兰^[21]和日本^[22]各开展1项研究。Saito等^[22]的研究是唯一针对亚洲人群的研究，但其样本量较小，仅20例，其结果外推性有待进一步验证。绝大多数研究聚焦正在尝试减重的超重或肥胖成年人^{[19-21,23-40]}，这些研究将饮食失误明确定义为个体在体重管理过程中违反预设减重饮食计划的行为。2项研究将EMA的应用场景拓展至更复杂的慢性病饮食行为管理中，Merwin等^[40]关注了1型糖尿病病人的胰岛素限制这一特定危险行为；Saito等^[22]探讨了2型糖尿病病人的日常饮食管理，表明EMA的应用正从单纯的体重控制向涉及多重健康行为的慢性病综合管理领域延伸。见表1。

2.3　结局指标

22项研究^[19-40]涉及5项饮食失误相关指标，包括饮食失误核心指标、情绪症状、情境指标、躯体症状、可行性，旨在从不同维度捕捉EMA的应用价值。

1）饮食失误核心指标：为所有研究涉及的基础指标，具体包括饮食失误频率，如每周发生次数^{[27,29,32,36]}；饮食失误具体类型，如情绪性进食、社交压力性进食、暴饮暴食等^{[25,28,31,38]}；失误发生的情境特征，如发生时间、在场人员、进食前情绪状态^{[22,26,31,37]}。该维度指标旨在精准刻画饮食失误的行为模式与即时背景。2）情绪症状：涉及12项研究^{[19-20,22-23,25,27,30-32,35,38,40]}，用于揭示饮食失误的心理机制。具体包括负性情绪，如焦虑、抑郁、压力、无聊的瞬时波动^{[19-20,22-23,27]}；自我调节能力，如自我效能感、自我控制力、应对策略^{[20,25,30,35]}；进食相关认知，如食物渴求度、对失误的认知反应^{[23,31-32,38]}。3）情境指标：涉及10项研究^{[19,21-22,26-27,29-30,32,37-38]}，用于分析失误发生的外部诱因，具体包括体力活动水平^[26,29,32]；社交与环境线索，如是否独自进食、是否在餐厅或聚会^[21-22,37]；生理状态，如主观饥饿感、饱腹感^{[19,26,32,38]}。此数据有利于构建行为-环境交互模型。4）躯体症状：涉及10项研究^{[19,22-27,31-32,40]}，用于分析生理状态与饮食失误的关联，并作为干预客观疗效指标。通用生理感知指标包括饥饿、疲劳、饮食剥夺感，瞬时饥饿、剥夺感可升高饮食失误风险^{[24,26,31-32,40]}；部分研究将其作为主要终点，与EMA数据相关联，以检验实时行为与长期结局的关系^{[19,22,25,27]}。5）可行性：涉及5项研究^{[33-34,36,39-40]}，为评估EMA方法本身可操作性的指标，具体包括用户负担与满意度等。该指标为EMA技术的推广提供实践依据。

2.4　EMA数据收集方法

2.4.1　收集设备和操作方式

22项研究的数据收集设备呈高度标准化与电子化趋势。21项研究^[19-39]采用智能手机应用程序作为主要工具，体现了移动健康技术的普及性。其中，Forman等^[33-34]使用定制化的OnTrack应用程序，Pagoto等^[36]采用名为Slip Buddy的程序，这些专用应用程序通常整合了评估与干预功能。Merwin等^[40]研究采用手机电话进行半结构式访谈，反映了早期研究的技术选择。

在技术创新方面，部分研究探索了多模态评估路径，如Goldstein等^[26]将应用程序与被动进食监测设备集成，Crochiere等^[32,39]对比了EMA与加速度计等传感器数据，代表了该领域融合主客观数据的技术前沿。

在操作方式方面，以高效、标准化为原则。21项研究^{[19-35,37-40]}应用Likert评分法量化主观状态，如情绪、渴求度、自我效能。既定选项被广泛用于快速记录行为背景，如地点、同伴，以提高应答效率。部分研究引入更进阶的交互方式以提升数据质量，如Forman等^[33-34]使用视觉模拟滑条获取更精细的情感强度数据，Pagoto等^[36]允许受试者进行定性文本输入，以丰富数据的维度与深度。

2.4.2　EMA时间表特征

EMA方案在设计上呈现适应研究目的的灵活性。监测周期多为单次密集型数据采集，部分研究设定多个周期以观察动态变化，如Goldstein等^[26]在12个周期内进行评估。监测持续时间跨度较大，为3~84 d，其中以7 d^{[19,21,26,31,35,39]}和14 d^{[20,22-25,27-28,32,38]}较常见，旨在覆盖受试者完整的周期行为模式。数据取样方法以半随机^{[19-21,23,25-30,32-35,37-40]}提示为主，即在固定时间窗内随机触发提示，该方法能在平衡受试者预期负担的同时，捕获一天中不同时间段的行为样本；3项研究^[22,24,36]采用固定时间提示。提示频率为每日1~28次，以每日6次^{[21,23-25,27-30,32-35,37-39]}较多。提示间隔时间多为30~150 min，但9项研究^{[19-20,28,31-34,36,40]}未报告具体间隔，方法学透明度有待提升。

2.5　主要研究结果

2.5.1　相关因素

1）心理因素：14项研究^{[19-23,25,27-32,35,38]}分析了心理因素，提示负性情绪是诱发饮食失误较强的心理预测因子之一。EMA数据显示，在情绪波动高峰期，个体发生饮食失误的风险增加^[23,27-28]。此外，自我调节能力较差的个体在面对食物诱惑或负面情绪时，更难以抑制进食冲动，从而导致失误^{[20-21,25,30]}。2）环境与社交因素：8项研究^{[21-22,26,31,35,37,39-40]}分析了环境与社交因素，特定环境是饮食失误的重要诱因，如处于社交聚会、餐厅就餐或家庭休闲看电视等场景时，失误发生率会明显升高^{[21-22,31,37]}。独自进食也可能因缺乏社会监督而增加失控风险^[37]。3）行为与生理因素：9项研究^{[26,28,30-32,35,37,39-40]}分析了行为与生理因素的影响，结果表明，较高的主观饥饿感与强烈的食物渴求度能直接预测紧随其后的饮食失误^{[26,31-32,35]}。同时，日间体力活动水平不足或久坐可能与后续饮食控制失败有关，提示行为间具有潜在补偿机制。4）认知与后果因素：5项^{[25,28,30-31,38]}研究关注了失误发生后的认知反应，结果表明，个体在发生失误后若产生严厉的自责认知，会增加其在当天后续时间内再次发生失误的概率，形成失误—负面认知—再失误的恶性循环。

2.5.2　可行性评价

1）参与与应答率：21项研究^{[19-21,23-40]}报告了参与率，为62.9%~100.0%，平均参与率较高（>80%）；16项研究^{[19,21-28,31-34,37-39]}报告了应答率，为62.9%~93.4%，整体平均应答率超过75%，表明在密集的评估周期内，大多数参与者能够坚持完成评估任务，保证数据的连续性和密度。2）技术接受度：基于智能手机的EMA应用程序（如OnTrack^[33-34]、Slip Buddy^[36]）因操作便捷、界面友好且符合现代人生活习惯，获得了较高的用户满意度。这种将评估嵌入日常设备的方式，有效降低了参与的技术门槛。3）挑战与优化方向：有研究报告了挑战^[39]，长期（如>70 d）或高频（如每日>5次）的提示可能导致部分参与者出现疲劳效应，表现为应答率随时间推移缓慢下降。因此，未来研究需在数据密度与参与者负担间寻求平衡，探索情境触发式评估等^[26,35]智能化策略，以优化用户体验和数据生态效度。

3　讨论

收起

3.1　EMA在饮食失误评估中的独特价值与应用可行性

本研究发现，EMA凭借实时性、生态化与高情境耦合的数据采集特点，为理解饮食失误的动态本质提供了重要的研究视角^[41-42]。与传统回顾性自我报告相比，EMA能有效捕捉情绪波动、特定社交场合等瞬时性高危情境，降低回忆偏差，使研究者能够近距离观察行为失误的触发链条。此外，EMA支持的多维数据同步采集（如情绪^[43]、生理饥饿感、环境线索）有利于构建更全面的饮食失误成因模型，在纳入的22项研究中，14项研究^{[19-23,25,27-32,35,38]}通过EMA实时追踪到负性情绪与饮食失误的即时关联，明确了情绪波动高峰期是失误高发时段，与Borm等^[44]研究结果相似，进餐前的情绪水平和平均情绪水平相比，暴饮暴食前的消极情绪升高、积极情绪减少。

在应用层面，EMA表现出良好的用户接受度与操作可行性。纳入研究普遍报告了较高的参与率与应答率，表明即使在密集评估周期内，参与者仍能保持良好的合作意愿。值得注意的是，随着移动健康技术的普及，基于智能手机的EMA应用已不再局限于数据记录，更融合了即时适应性干预功能，实现了从评估到干预的闭环管理，提升了行为支持的及时性与个体相关性。有研究通过整合腕戴式传感器与动态血糖监测等被动式数据流，进一步丰富了EMA的评估维度，展现了其在构建多模态行为评估体系中的核心价值^[45]。

3.2　应用挑战与优化路径

EMA优势显著，但在实践推广中仍面临挑战。1）方法论上的异质性限制了研究间的可比性。各研究在提示频率、监测周期及取样策略方面差异较大，缺乏公认的标准化操作，为证据整合与跨研究推论带来困难^[46]。2）参与者负担与数据质量的平衡是一大难题。高频提示虽能获取高密度数据，但也可能导致疲劳反应与依从性下降，尤其在长期干预中，如何维持用户参与度是关键。3）技术依赖性与代表性不容忽视。EMA对硬件设备及用户数字素养有一定要求，可能使其在老年人、低收入人群等群体中的应用受限，存在加剧健康不平等的潜在风险^[47-48]。

为应对上述挑战，提出以下优化路径：推动建立EMA方法学报告规范，明确核心信息（如提示策略、依从性指标的最低报告标准），促进研究透明化与结果可比性。利用机器学习模型识别用户的高危时段，变固定频率提示为情境触发式提示，在减轻负担的同时提升数据采集效率。

3.3　研究局限性与未来展望

本研究存在一定局限性：1）纳入文献多以西方发达国家、中年超重/肥胖人群为主，其结果在跨文化、跨年龄群体中的普适性有待验证。2）多数研究侧重短期效果，EMA在长期体重维持及行为防复发中的作用证据尚不充分。

未来该领域的研究可从以下方向深入：1）拓展应用人群与场景，重点在青少年、老年超重或肥胖人群以及合并2型糖尿病、高血压等慢性病的肥胖病人中开展研究^[49-50]，验证EMA在特殊人群中的适用性与有效性。2）加强技术融合与方法创新，结合人工智能与时序建模技术（如长短时记忆网络），从EMA多维度实时数据中挖掘饮食失误的前瞻性预测因子^[51-52]，如情绪波动趋势、环境线索组合等。3）开展长期随访研究，设计为期12个月以上的纵向研究，评估EMA干预对体重维持、饮食行为习惯养成的持久影响。4）推动临床转化与标准化建设，制定EMA在肥胖病人饮食管理中的临床应用指南，明确操作流程、评估周期、数据安全规范，促进其从研究工具向常规临床干预手段转化，助力肥胖及代谢相关疾病的一级预防。

4　小结

收起

本研究通过系统梳理EMA在饮食失误管理中的应用情况，总结了该方法在揭示行为机制、评估可行性以及指导个性化干预方面的巨大潜力。但其标准化不足、用户负担等问题也亟待解决，未来研究需在技术融合与临床转化层面进一步探索。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Boutari

,Mantzoros

C S

.A 2022 update on the epidemiology of obesity and a call to action:as its twin COVID-19 pandemic appears to be receding,the obesity and dysmetabolism pandemic continues to rage on[J].Metabolism,2022,133:155217.

Dicker

,Karpati

,Promislow

,et al.Implications of the european association for the study of obesity's new framework definition of obesity:prevalence and association with all-cause mortality[J].Annals of Internal Medicine,2025,178(8):1065-1072.

Westbury

,Oyebode

,Van Rens

,et al.Obesity stigma:causes,consequences,and potential solutions[J].Current Obesity Reports,2023,12(1):10-23.

Guh

D P

,Zhang

,Bansback

,et al.The incidence of co-morbidities related to obesity and overweight:a systematic review and meta-analysis[J].BMC Public Health,2009,9(1):88.

Barber

T M

,Kabisch

,Pfeiffer

A F H

,et al.Dietary and lifestyle strategies for obesity[J].Nutrients,2024,16(16):2714.

Antwi

.Precision nutrition to improve risk factors of obesity and type 2 diabetes[J].Current Nutrition Reports,2023,12(4):679-694.

Simati

,Kokkinos

,Dalamaga

,et al.Obesity paradox:fact or fiction?[J].Current Obesity Reports,2023,12(2):75-85.

Pujia

,Tarsitano

M G

,Arturi

,et al.Advances in phenotyping obesity and in its dietary and pharmacological treatment:a narrative review[J].Frontiers in Nutrition,2022,9:804719.

Dent

,Mcpherson

,Harper

M E

.Factors affecting weight loss variability in obesity[J].Metabolism,2020,113:154388.

Goldstein

S P

,Evans

E W

,Espel-Huynh

H M

,et al.Dietary lapses are associated with meaningful elevations in daily caloric intake and added sugar consumption during a lifestyle modification intervention[J].Obesity Science & Practice,2022,8(4):442-454.

Forman

E M

,Schumacher

L M

,Crosby

,et al.Ecological momentary assessment of dietary lapses across behavioral weight loss treatment:characteristics,predictors,and relationships with weight change[J].Annals of Behavioral Medicine,2017,51(5):741-753.

Stinson

,Liu

Y C

,Dallery

.Ecological momentary assessment:a systematic review of validity research[J].Perspectives on Behavior Science,2022,45(2):469-493.

Shiffman

,Stone

A A

,Hufford

M R

.Ecological momentary assessment[J].Annual Review of Clinical Psychology,2008,4:1-32.

Smith

K E

,Juarascio

.From ecological momentary assessment(ema)to ecological momentary intervention(EMI):past and future directions for ambulatory assessment and interventions in eating disorders[J].Current Psychiatry Reports,2019,21(7):53.

Gromatsky

,Sullivan

S R

,Spears

A P

,et al.Ecological momentary assessment(EMA) of mental health outcomes in veterans and servicemembers:a scoping review[J].Psychiatry Research,2020,292:113359.

Burnett

,Cobden

A L

,Firman-Sadler

,et al.Ecological momentary assessment in acquired brain injury:a scoping review[J].Journal of Neurotrauma,2025,42(17/18):1465-1490.

PRISMA extension for scoping reviews(PRISMA-ScR):checklist and explanation[EB/OL].[2025-11-01].https://www.acpjournals.org/doi/10.7326/M18-0850.

Munn

,Peters

M D J

,Stern

,et al.Systematic review or scoping review?Guidance for authors when choosing between a systematic or scoping review approach[J].BMC Medical Research Methodology,2018,18:143.

McKee

H C

,Ntoumanis

,Taylor

I M

.An ecological momentary assessment of lapse occurrences in dieters[J].Annals of Behavioral Medicine,2014,48(3):300-310.

Thøgersen‐Ntoumani

,Dodos

L A

,Stenling

,et al.Does self-compassion help to deal with dietary lapses among overweight and obese adults who pursue weight-loss goals?[J].British Journal of Health Psychology,2021,26(3):767-788.

Roordink

E M

,Steenhuis

I H M

,Kroeze

,et al.Social environmental predictors of lapse in dietary behavior:an ecological momentary assessment study amongst dutch adults trying to lose weight[J].Annals of Behavioral Medicine,2023,57(8):620-629.

Saito

,Kumano

.Psychosocial factors influencing dietary management in patients with type 2 diabetes and healthy adults:an ecological momentary assessment approach[J].Frontiers in Psychology,2025,15:1464542.

Manasse

S M

,Crochiere

R J

,Dallal

D H

,et al.A multimodal investigation of impulsivity as a moderator of the relation between momentary elevations in negative internal states and subsequent dietary lapses[J].Appetite,2018,127:52-58.

Sala

,Taylor

,Crochiere

R J

,et al.Application of machine learning to discover interactions predictive of dietary lapses[J].Applied Psychology:Health and Well-Being,2023,15(3):1166-1181.

Manasse

S M

,Schumacher

L M

,Goldstein

S P

,et al.Are individuals with loss-of-control eating more prone to dietary lapse in behavioural weight loss treatment?An ecological momentary assessment study[J].European Eating Disorders Review,2018,26(3):259-264.

Goldstein

S P

,Hoover

,Thomas

J G

.Combining passive eating monitoring and ecological momentary assessment to characterize dietary lapses from a lifestyle modification intervention[J].Appetite,2022,175:106090.

Forman

E M

,Schumacher

L M

,Crosby

Schumacher

L M

,Martin

G J

,Goldstein

S P

,et al.Ecological momentary assessment of self-attitudes in response to dietary lapses[J].Health Psychology,2018,37(2):148-152.

Goldstein

S P

,Brick

L A

,Thomas

J G

,et al.Examination of the relationship between lapses and weight loss in a smartphone-based just-in time adaptive intervention[J].Translational Behavioral Medicine,2021,11(4):993-1005.

Goldstein

S P

,Thomas

J G

,Brick

L A

,et al.Identifying behavioral types of dietary lapse from a mobile weight loss program:preliminary investigation from a secondary data analysis[J].Appetite,2021,166:105440.

Chew

H S J

,Shridhar

,Kuang

,et al.Momentary dietary lapse prediction for obesity management:developing the Eating Behaviour Lapse Inventory Survey Singapore(eBLISS) and a machine learning lapse prediction model[J].Computer Methods and Programs in Biomedicine,2025,269:108880.

Crochiere

R J

,Abber

S R

,Taylor

L C

,et al.Momentary predictors of dietary lapse from a mobile health weight loss intervention[J].Journal of Behavioral Medicine,2022,45(2):324-330.

Forman

E M

,Goldstein

S P

,Zhang

F Q

,et al.OnTrack:development and feasibility of a smartphone app designed to predict and prevent dietary lapses[J].Translational Behavioral Medicine,2019,9(2):236-245.

Forman

E M

,Goldstein

S P

,Crochiere

R J

,et al.Randomized controlled trial of OnTrack,a just-in-time adaptive intervention designed to enhance weight loss[J].Translational Behavioral Medicine,2019,9(6):989-1001.

Sala

,Roos

C R

,Crochiere

R J

,et al.Real-time fluctuations in mindful awareness,willingness,and values clarity,and their associations with craving and dietary lapse among those seeking weight loss[J].Journal of Contextual Behavioral Science,2021,22:87-92.

Pagoto

,Tulu

,Waring

M E

,et al.Slip buddy app for weight management:randomized feasibility trial of a dietary lapse tracking App[J].JMIR mHealth and uHealth,2021,9(4):e24249.

Chwyl

,Crochiere

R J

,Forman

E M

.The role of everyday activities on likelihood of dietary lapse:an ecological momentary assessment study[J].Journal of Behavioral Medicine,2023,46(3):532-539.

Goldstein

S P

,Dochat

,Schumacher

L M

,et al.Using ecological momentary assessment to better understand dietary lapse types[J].Appetite,2018,129:198-206.

Crochiere

R J

,Zhang

F Z

,Juarascio

A S

,et al.Comparing ecological momentary assessment to sensor-based approaches in predicting dietary lapse[J].Translational Behavioral Medicine,2021,11(12):2099-2109.

Merwin

R M

,Dmitrieva

N O

,Honeycutt

L K

,et al.Momentary predictors of insulin restriction among adults with type 1 diabetes and eating disorder symptomatology[J].Diabetes Care,2015,38(11):2025-2032.

Tran

N R

,Zhang

Y X

,Leech

R M

,et al.Predicting diet quality and food consumption at eating occasions using contextual factors:an application of machine learning models[J].International Journal of Behavioral Nutrition and Physical Activity,2025,22(1):136.

Wang

,Rangan

,Chen

,et al.A comparison of personalized and fixed interval signal-contingent ecological momentary assessment to capture dietary data:a double-blinded crossover feasibility study[J].European Journal of Clinical Nutrition,2026,80(1):79-86.

Von Lützow

,Neuendorf

N L

,Scherr

.Effectiveness of just-in-time adaptive interventions for improving mental health and psychological well-being:a systematic review and meta-analysis[J].BMJ Mental Health,2025,28(1):e301641.

Borm

I M

,Hartmann

,Barnow

,et al.Binge eating as emotion regulation?A meta-analysis of ecological momentary assessment studies[J].Clinical Psychology Review,2025,121:102625.

Wooldridge

J S

,Morse

J L

,Delgado

,et al.Daily functioning of veterans with type 2 diabetes:protocol for an ambulatory assessment study[J].JMIR Res Protoc,2023,12:e53874.

Podsakoff

N P

,Spoelma

T M

,Chawla

,et al.What predicts within-person variance in applied psychology constructs?An empirical examination[J].The Journal of Applied Psychology,2019,104(6):727-754.

Roberts

S O

,Bareket-Shavit

,Dollins

F A

,et al.Racial inequality in psychological research:trends of the past and recommendations for the future[J].Perspectives on Psychological Science,2020,15(6):1295-1309.

Mikhail

M E

,Ackerman

L S

,Anaya

,et al.Associations between household income and disordered eating differ across sex and racial identity in a population-based sample of adults[J].The International Journal of Eating Disorders,2023,56(7):1391-1405.

Koike

,Nestor

B A

,Gelmez

P S

,et al.Just-in-time adaptive interventions for adolescent and young adult substance use:a systematic review[J].The Journal of Adolescent Health,2025(6):1038-1049.

Stone

A A

,Schneider

,Smyth

J M

.Evaluation of pressing issues in ecological momentary assessment[J].Annual Review of Clinical Psychology,2023,19:107-131.

Rodrigues

T F

,Machado

P P P

.Emotion regulation and eating disorders-the current status of research and future directions[J].Current Opinion in Psychiatry,2025,38(6):421-426.

,Wang

,He

,et al.Digital adaptive intervention in the medical field:a bibliometric analysis[J].Translational Behavioral Medicine,2025,15(1):ibaf037.

2026年第40卷第18期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.18.023

接收时间：2026-01-14
首发时间：2026-10-29
出版时间：2026-09-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2026-01-14
修回日期：2026-08-10

基金

作者信息

¹三峡大学第一临床医学院/宜昌市中心人民医院,湖北 443003

²成都市成华区第七人民医院

通讯作者:

邓红艳，E-mail:1160279690@qq.com

DENG Hongyan, E-mail:1160279690@qq.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.18.023

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

纳入文献	国家		样本特征	结局指标	数据收集方法	采集时间表特征	应答相关结果（%）
McKee等^[19]2014	英国	违反减重饮食	80	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	7	半随机	2		93.8	70
Thøgersen-Ntoumani等^[20]2021	澳大利亚	违反减重饮食	56	饮食失误核心指标、情绪症状	手机应用程序	1	14	半随机	2		82.1
Roordink等^[21]2023	荷兰	违反减重饮食	81	饮食失误核心指标、情境指标	手机应用程序	2	7	半随机	6	150	94.2	83.8
Saito等^[22]2025	日本	糖尿病饮食	20	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	14	固定	3	30		75.13
Manasse等^[23]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	14	半随机	6	150	98.4	82.3
Sala等^[24]2023	美国	违反减重饮食	87	饮食失误核心指标、躯体症状	手机应用程序	1	14	固定	6	30	95.4	83.7
Manasse等^[25]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	14	半随机	6	150	98.4	82.4
Goldstein等^[26]2022	美国	违反减重饮食	25	饮食失误核心指标、躯体症状、情境指标	手机应用程序	12	7	半随机	5	120±60	75.6	74.5
Forman等^[27]2017	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	3	14	半随机	6	150	98.4	82.4
Schumacher等^[28]2018	美国	违反减重饮食	91	饮食失误核心指标	手机应用程序	1	14	半随机	6		91	84.45
Goldstein等^[29]2021	美国	违反减重饮食	121	饮食失误核心指标、情境指标	手机应用程序	1	70	半随机	6	90	63.1
Goldstein等^[30]2021	美国	违反减重饮食	121	饮食失误核心指标、情绪症状、情境指标	手机应用程序	1	70	半随机	6	90	62.9
Chew等^[31]2025	美国	违反减重饮食	251	饮食失误核心指标、情绪症状、躯体症状	手机应用程序	1	7		3		94.3	84~92
Crochiere等^[32]2022	美国	违反减重饮食	150	饮食失误核心指标、情绪症状、躯体症状、情境指标	手机应用程序	1	14	半随机	6		94.3	87.9
Forman等^[33]2019	美国	违反减重饮食	43	饮食失误核心指标、可行性	手机应用程序	1	32	半随机	6		97.7	85.1
Forman等^[34]2019	美国	违反减重饮食	119	饮食失误核心指标、可行性	手机应用程序	1	70	半随机	6		87.4	62.9
Sala等^[35]2021	美国	违反减重饮食	126	饮食失误核心指标、情绪症状	手机应用程序	1	7	半随机	6	150	89.81
Pagoto等^[36]2021	美国	违反减重饮食	64	饮食失误核心指标、可行性	手机应用程序	1	84	固定	1		97
Chwyl等^[37]2023	美国	违反减重饮食	107	饮食失误核心指标、情境指标	手机应用程序	1	21	半随机	6	90	100	92.3
Goldstein等^[38]2018	美国	违反减重饮食	189	饮食失误核心指标、情绪症状、情境指标	手机应用程序	1	14	半随机	6	150	98.4	82.4
Crochiere等^[39]2021	美国	违反减重饮食	23	饮食失误核心指标、可行性	手机应用程序	6	7	半随机	6	90	93.3	93.4
Merwin等^[40]2015	美国	违反糖尿病饮食	83	饮食失误核心指标、情绪症状、躯体症状、可行性	手机电话	1	3	半随机	14~28		96.46

纳入文献

国家

样本特征

结局指标

数据收集方法

采集时间表特征

应答相关结果（%）

饮食失误类型

样本量（例）

采集周期（次）

持续时间（d）

数据取样方法

每日提示频次（次）

提示间隔时间（min）

参与率

应答率

McKee等^[19]2014

英国

违反减重饮食

饮食失误核心指标、情绪症状、躯体症状、情境指标

手机应用程序

半随机

93.8

Thøgersen-Ntoumani等^[20]2021

澳大利亚

违反减重饮食

饮食失误核心指标、情绪症状

手机应用程序

半随机

82.1

Roordink等^[21]2023

荷兰

违反减重饮食

饮食失误核心指标、情境指标

手机应用程序

半随机

150

94.2

83.8

Saito等^[22]2025

日本

糖尿病饮食

饮食失误核心指标、情绪症状、躯体症状、情境指标

手机应用程序

固定

75.13

Manasse等^[23]2018

美国

违反减重饮食

189

饮食失误核心指标、情绪症状、躯体症状

手机应用程序

半随机

150

98.4

82.3

Sala等^[24]2023

美国

违反减重饮食

饮食失误核心指标、躯体症状

手机应用程序

固定

95.4

83.7

Manasse等^[25]2018

美国

违反减重饮食

189

饮食失误核心指标、情绪症状、躯体症状

手机应用程序

半随机

150

98.4

82.4

Goldstein等^[26]2022

美国

违反减重饮食

饮食失误核心指标、躯体症状、情境指标

手机应用程序

半随机

120±60

75.6

74.5

Forman等^[27]2017

美国

违反减重饮食

189

饮食失误核心指标、情绪症状、躯体症状、情境指标

手机应用程序

半随机

150

98.4

82.4

Schumacher等^[28]2018

美国

违反减重饮食

饮食失误核心指标

手机应用程序

半随机

84.45

Goldstein等^[29]2021

美国

违反减重饮食

121

饮食失误核心指标、情境指标

手机应用程序

半随机

63.1

Goldstein等^[30]2021

美国

违反减重饮食

121

饮食失误核心指标、情绪症状、情境指标

手机应用程序

半随机

62.9

Chew等^[31]2025

美国

违反减重饮食

251

饮食失误核心指标、情绪症状、躯体症状

手机应用程序

94.3

84~92

Crochiere等^[32]2022

美国

违反减重饮食

150

饮食失误核心指标、情绪症状、躯体症状、情境指标

手机应用程序

半随机

94.3

87.9

Forman等^[33]2019

美国

违反减重饮食

饮食失误核心指标、可行性

手机应用程序

半随机

97.7

85.1

Forman等^[34]2019

美国

违反减重饮食

119

饮食失误核心指标、可行性

手机应用程序

半随机

87.4

62.9

Sala等^[35]2021

美国

违反减重饮食

126

饮食失误核心指标、情绪症状

手机应用程序

半随机

150

89.81

Pagoto等^[36]2021

美国

违反减重饮食

饮食失误核心指标、可行性

手机应用程序

固定

Chwyl等^[37]2023

美国

违反减重饮食

107

饮食失误核心指标、情境指标

手机应用程序

半随机

100

92.3

Goldstein等^[38]2018

美国

违反减重饮食

189

饮食失误核心指标、情绪症状、情境指标

手机应用程序

半随机

150

98.4

82.4

Crochiere等^[39]2021

美国

违反减重饮食

饮食失误核心指标、可行性

手机应用程序

半随机

93.3

93.4

Merwin等^[40]2015

美国

违反糖尿病饮食

饮食失误核心指标、情绪症状、躯体症状、可行性

手机电话

半随机

14~28

96.46