Metodologia
O que medimos
Três números: sequência atual, maior sequência, total de recaídas até hoje. Uma visão em calendário de quando as recaídas ocorreram. Notas criptografadas opcionais por recaída. Só isso.
Por que esses e não mais
O auto-monitoramento funciona quando não tem atrito. Ferramentas que pedem taxonomias de gatilhos, pontuações de humor e campos de diário toda vez tendem a ser abandonadas em semanas (Eysenbach, 2005; Krebs & Duncan, 2015). Testamos esquemas mais pesados em protótipos iniciais e vimos o que todo outro app vê: mais de 80% de abandono até a terceira semana (Meyerowitz-Katz et al., 2020). O registro de ação única é o que sobrevive.
Por que sequências
O feedback de sequência reforça comportamentos-alvo combinando repetição comportamental com pistas contextuais e uma crescente sensação de realização, os mecanismos centrais de formação de hábitos identificados na literatura (Lally et al., 2010; Curran et al., 2024). O auto-monitoramento em si é um ingrediente ativo bem estabelecido em intervenções de mudança comportamental em múltiplos domínios (Burke et al., 2011; Michie et al., 2011). Mostramos sequências porque são úteis, não porque queremos gamificar o trabalho. Não há recompensas por atingir marcos, sem medalhas compartilháveis, sem ranking. Só o número.
O que não afirmamos
Não fazemos nenhuma afirmação de que against. cura, trata ou substitui o cuidado clínico. O app é um adjunto de auto-monitoramento. Pessoas com sofrimento significativo, preocupações de saúde mental comórbidas ou impacto relacional devem trabalhar com um profissional qualificado. O app é uma ferramenta, não um plano de tratamento.
Como tratamos os dados
Todos os dados sensíveis (notas, anotações de gatilho) são criptografados no dispositivo com AES (modo CBC, chave de 256 bits). A chave é gerada na primeira execução e armazenada no enclave seguro do sistema operacional (Keychain no iOS, EncryptedSharedPreferences no Android). O único serviço “remoto” é o Firebase Cloud Messaging para notificações opcionais, que nunca carrega dados do usuário. Veja a página Privacidade e Segurança para o detalhamento técnico completo.
Atualizações e correções
Atualizamos esta página quando nossa metodologia muda. Um registro de revisões fica no final da página.
Última revisão: 2026-05-07. Versão de metodologia 1.0.
Referências
- Burke, L. E., Wang, J., & Sevick, M. A. (2011). Self-monitoring in weight loss: A systematic review of the literature. Journal of the American Dietetic Association, 111(1), 92-102. https://doi.org/10.1016/j.jada.2010.10.008
- Curran, M., Larade, N., Özakinci, G., Tymowski-Gionet, G., & Dombrowski, S. U. (2024). Look, over there! A streaker! — Qualitative study examining streaking as a behaviour change technique for habit formation in recreational runners. Health Psychology and Behavioral Medicine, 12(1). https://doi.org/10.1080/21642850.2024.2416505
- Eysenbach, G. (2005). The law of attrition. Journal of Medical Internet Research, 7(1), e11. https://doi.org/10.2196/jmir.7.1.e11
- Krebs, P., & Duncan, D. T. (2015). Health app use among US mobile phone owners: A national survey. JMIR mHealth and uHealth, 3(4), e101. https://doi.org/10.2196/mhealth.4924
- Lally, P., van Jaarsveld, C. H. M., Potts, H. W. W., & Wardle, J. (2010). How are habits formed: Modelling habit formation in the real world. European Journal of Social Psychology, 40(6), 998-1009. https://doi.org/10.1002/ejsp.674
- Michie, S., van Stralen, M. M., & West, R. (2011). The behaviour change wheel: A new method for characterising and designing behaviour change interventions. Implementation Science, 6, 42. https://doi.org/10.1186/1748-5908-6-42
- Meyerowitz-Katz, G., Ravi, S., Arnolda, L., Feng, X., Maberly, G., & Astell-Burt, T. (2020). Rates of attrition and dropout in app-based interventions for chronic disease: Systematic review and meta-analysis. Journal of Medical Internet Research, 22(9), e20283. https://doi.org/10.2196/20283
Leitura de contexto: O que a ciência diz sobre rastreamento de hábitos e recuperação.