Community size and sport participation across 22 countries
Notice bibliographique
Résumé
The objective of this study was to examine, across 22 countries, the association between community size and individual sport, team sport, and exercise participation. Hierarchal non-linear Bernoulli modeling is used to examine the association between community size (100,000-10,000; <10,000) and (a) individual sport, (b) team sport, and (c) exercise participation. After controlling for country-level clustering and demographic variables, those residing a community with between 100,000 and 10,000 residents are more likely to participate in individual sport [odds ratio (OR) = 1.14; 95% confidence interval (CI) = 1.05-1.23] while residing in a community with less than 10,000 residents is unrelated (OR = 1.06; 95% CI = 0.96-1.19). Those residing in communities with between 100,000 and 10,000 residents were more likely to participate in team sport (OR = 1.21; 95% CI = 1.01-1.45) while residing in a community with less than 10,000 residents is unrelated (OR = 1.02; 95% CI = 0.88-1.18). Residing in a community with between 100,000 and 10,000 residents is unrelated to exercise participation (OR = 0.97; 95% CI = 0.89-1.7), while residing in a community with less than 10,000 residents is negatively related to exercise participation (OR = 0.86; 95% CI = 0.79-0.93). These findings provide novel evidence that communities between 100,000 and 10,000 residents are related to increased sport participation, particularly team sport participation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».