Intention-Behavior Relationship Based on Epidemiologic Indices: An Application to Physical Activity
Notice bibliographique
Résumé
PURPOSE: This article examines the usefulness of epidemiologic indices in furthering the understanding of the intention-behavior relationship in the field of physical activity. DESIGN: Six prospective data sets of physical activity were used. SETTING: The United Kingdom and Canada in various settings (school, workplace). SUBJECTS: Different segments of the population (students, employees). MEASURES: Intention at baseline and behavior at follow-up, both assessed by means of questionnaires. ANALYSIS: Intention and behavior were dichotomized to create a 2 x 2 table; this allowed us to compute four standard epidemiologic indices: sensitivity, specificity, positive predictive value (PV+), and negative predictive value (PV-). RESULTS: Sensitivity was 86.3%, which reflected the high sensitivity of intention for exercising, i.e., active individuals were very likely to hold a positive intention. Specificity was 49.5%, which suggested that a significant number of inactive individuals held a positive intention. With respect to predictive values, a low intention was a very good predictor of being inactive (PV- = 88.1%), whereas a positive intention was a moderate predictor of being active (PV+ = 45.5%). CONCLUSION: These results indicate that intention is a moderate predictor of behavior and that the gap between intention and behavior is caused by high intenders not taking action. Health promotion programs would benefit to target factors that moderate the intention-behavior relationship.
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 | 0,019 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».