Improvements to executive function during exercise training predict maintenance of physical activity over the following year
Notice bibliographique
Résumé
Previous studies have shown that exercise training benefits cognitive, neural, and physical health markers in older adults. It is likely that these positive effects will diminish if participants return to sedentary lifestyles following training cessation. Theory posits that that the neurocognitive processes underlying self-regulation, namely executive function (EF), are important to maintaining positive health behaviors. Therefore, we examined whether better EF performance in older women would predict greater adherence to routine physical activity (PA) over 1 year following a 12-month resistance exercise training randomized controlled trial. The study sample consisted of 125 community-dwelling women aged 65-75 years old. Our primary outcome measure was self-reported PA, as measured by the Physical Activity Scale for the Elderly (PASE), assessed on a monthly basis from month 13 to month 25. Executive function was assessed using the Stroop Test at baseline (month 0) and post-training (month 12). Latent growth curve analyses showed that, on average, PA decreased during the follow-up period but at a decelerating rate. Women who made greater improvements to EF during the training period showed better adherence to PA during the 1-year follow-up period (β = -0.36, p < 0.05); this association was unmitigated by the addition of covariates (β = -0.44, p < 0.05). As expected, EF did not predict changes in PA during the training period (p > 0.10). Overall, these findings suggest that improving EF plays an important role in whether older women maintain higher levels of PA following exercise training and that this association is only apparent after training when environmental support for PA is low.
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 | 0,000 | 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 ».