A Test of Learned Industriousness in the Physical Activity Domain
Notice bibliographique
Résumé
Background: The Theory of Learned Industriousness states that durable individual differences in industriousness are due in part to differences in the extent to which individuals were rewarded for high effort at an earlier time. Individuals rewarded for high effort during training are thought to generalize greater persistence to subsequent tasks than those rewarded for low effort. This study tested whether rewarded physical and/or mental effort at different intensities generalized to greater persistence at a subsequent mental task. Methods: 80 inactive 18-25 year-olds were randomized into four groups: Low Mental Effort, High Mental Effort, Low Physical Effort, and High Physical Effort. Each completed group-specific effort training and a mental persistence task at baseline and posttest. Results: Factorial analysis of covariance revealed a significant domain x effort interaction on persistence (F[1,75]=4.93, p=.029). High Mental Effort and Low Mental Effort groups demonstrated similar gains in persistence (d=-0.08, p>.05) and points earned (d=0.11, p>.05) following effort training. High Physical Effort and Low Physical Effort diverged on persistence (d=-0.49, p=.004) but not points earned (d =-0.12, p>.05). Conclusions: Findings suggest either that training and test stimuli were too dissimilar to cue effects of associative learning in physical effort groups, or that effects were present but overpowered by the affective and neurocognitive consequences of an acute bout of intense aerobic physical activity. Findings do not support the Theory of Learned Industriousness nor generalization of effort across physical and mental domains.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».