Prevalence and Correlates of Exergaming in Youth
Notice bibliographique
Résumé
OBJECTIVES: Less than 15% of children and adolescents participate regularly in physical activity (PA) and, with ever-increasing obesity, strategies to improve PA levels in youth are urgently needed. Exergaming offers a PA alternative that may be especially attractive in our increasingly technophilic society. However, there are no observational studies of exergaming in population-based samples of adolescents. The purpose of this study was to investigate potential sociodemographic, lifestyle, psychosocial, weight-related, and mental health correlates of exergaming as well as describe the type, timing, and intensity of exergaming in a population-based sample of adolescents. METHODS: Data on exergame use and potential sociodemographic, lifestyle, psychosocial, weight-related, and mental health correlates of exergaming were collected in mailed self-report questionnaires completed by 1241 grade 10 and 11 students from the Montreal area with a mean age of 16.8 years (SD = 0.05 years; 43% male) participating in the AdoQuest study. The independent correlates of exergaming were identified in multivariable logistic regression models. RESULTS: Nearly one-quarter (24%) of participants reported exergaming. Exergamers played 2 days per week on average, for ∼50 minutes each bout; 73% of exergamers played at a moderate or vigorous intensity. Exergamers were more likely than nonexergamers to be girls, to play nonactive video games, to watch ≥2 hours of television per day, to be stressed about weight, and to be nonsmokers. CONCLUSIONS: Many adolescents exergame at intensity levels that could help them achieve current moderate-to-vigorous PA recommendations. Interventions that encourage exergaming may increase PA and decrease sedentary behavior in select youth subgroups, notably in girls.
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 ».