Effects of Different Combinations of Intensity Categories on Self-Reported Exercise
Notice bibliographique
Résumé
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 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 | 0,006 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».