Just how special are the physical activity cognitions in diseased populations? Preliminary evidence for integrated content in chronic disease prevention and rehabilitation
Notice bibliographique
Résumé
BACKGROUND: The extant literature is building on subdividing physical activity (PA) correlates and interventions by health condition (e.g., diabetes, cancer, etc.). PURPOSE: The purpose of this study was to compare the mean values and correlations of a population sample divided by mutually exclusive health condition status ("nondiseased," cardiovascular disease and risk factors, cancer, diabetes, and arthritis) on theory of planned behavior beliefs and physical activity after adjusting for sociodemographic factors. The relationship between compounding health conditions/comorbidities and these beliefs with PA was also evaluated. METHODS: Participants were a U.S. sample of 6,739 adults (M age = 49.65, SD = 16.04) who completed relevant social and medical demographics, measures of behavioral, normative, and control beliefs, and self-reported PA. RESULTS: Mean analyses identified greater health barriers to PA for the arthritis population compared to the other groups (- .025), whereas physician norms and health barriers were higher for compounding health condition populations compared to the nondiseased group (- .025). Belief-behavior correlations, however, were not different across health conditions (- .19), and nondiseased and single disease populations had larger control belief-behavior correlations than those populations with compounding health conditions (- .19). CONCLUSIONS: These data generally provide preliminary evidence for an integrated approach to PA promotion content in primary prevention and health rehabilitation with some possible tailoring in the areas of health barriers. This area of research will benefit from future studies that build off of these results.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».