Action Control of Exercise Behavior: Evaluation of Social Cognition, Cross-Behavioral Regulation, and Automaticity
Notice bibliographique
Résumé
Intention is considered the proximal determinant of behavior in many popular theories applied to understanding physical activity, yet intention-behavior discordance is high. Thus, an understanding of constructs that facilitate or inhibit the successful translation of intentions into behavior is both timely and important. The action control approach of dividing the intention-behavior relationship into quadrants of successful/unsuccessful intenders has shown utility in the past by demonstrating the magnitude of intention-behavior discordance and allowing for an outcome variable to test predictors. The purpose of this article was to evaluate automaticity and cross-behavioral regulation as predictors of exercise action control, in conjunction with other more standard social cognitive predictors of perceived behavioral control and affective and instrumental attitudes. Participants were a random sample of 263 college students who completed predictor measures at time one, followed by exercise behavior two weeks later. Participants were classified into three intention-behavior profiles: (1) nonintenders (14.1%; n = 31), (2) unsuccessful intenders (35.5%; n = 78), and (3) successful intenders (48.6%; n = 107). Affective attitude, perceived behavioral control, automaticity, and cross-behavioral regulation were predictors of action control. The results demonstrate that automaticity and cross-behavioral regulation, constructs not typically used in intention-based theories, predict intention-behavior discordance.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 tête enseignante, 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 ».