Effects of Different Combinations of Intensity Categories on Self-Reported Exercise
Notice bibliographique
Résumé
Abstract Self-reports of exercise are used extensively in behavioral, social psychological, and epidemiological research (Ainsworth, Montoye, & Leon, 1994; Caspersen, 1997). Schwarz (1999) noted that many characteristics strongly influence self-reports of behavior, including question wording, format, and context. Of particular interest in the present study is the possible effect of providing different combinations of intensity categories (i.e., light/mild, moderate, and vigorous/strenuous) on self-reported exercise. A review of the exercise measurement literature indicates that researcher-developed and published questionnaires have varied in the number of exercise intensity categories they present to respondents. For example, researcher-developed questionnaires have often used only one category of exercise intensity, such as moderate (e.g., Miller, Trost, & Brown, 2002; Wallace, Buckworth, Kirby, & Sherman, 2000) or vigorous (e.g., Owen, Sedgwick, & Davies, 1988; Washburn, Goldfield, Smith, & McKinlay, 1990). Conversely, published questionnaires have typically used multiple intensity categories, such as moderate and vigorous/strenuous (e.g., Blair et al., 1985; Heath, Pate, & Pratt, 1993) or light/mild, moderate, and vigorous/strenuous (e.g., Baecke, Burema, & Frijters 1982; Godin & Shephard, 1985; Myers, Bader, Madhavan, & Froelicher, 2001). It is unknown, however, if providing different combinations of exercise intensity categories has any effect on the amount of exercise reported in a given intensity category or in total.
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 ».