Ease of imagination, message framing, and physical activity messages
Notice bibliographique
Résumé
OBJECTIVES: The purpose of this research was to replicate a study that examined how message framing and ease of imagination interact to influence attitudes towards the prevention of heart disease through physical activity and a healthy diet. Changes were made such that only physical activity behaviour was profiled and assessed as a moderating variable. It was hypothesized that gain-framed messages would positively influence attitudes with hard to imagine symptoms, that loss-framed messages would positively influence attitudes with easy to imagine symptoms and exercise frequency would moderate the findings. DESIGN: This study employed a 2 (easy or hard to imagine symptoms) by 2 (gain- or loss-framed) Solomon square design whereby participants, half of whom completed a pre-test, were randomly assigned to one of four conditions: easy to imagine/gain-framed, hard to imagine/gain-framed, easy to imagine/loss-framed, or hard to imagine/loss-framed. METHODS: Participants included adults over the age of 55 years (N=57) and undergraduate students (18-22 years; N=118). They were described either hard to imagine or easy to imagine symptoms of heart disease and diabetes and asked to imagine them. Participants then read either a gain- or loss-framed physical activity message followed by post-test questionnaires that assessed attitudes, exercise frequency, and demographics. RESULTS: Regression analyses showed no significant framing effects but significant effects for ease of imagination and exercise frequency as a moderating variable. CONCLUSIONS: This study failed to replicate the original research findings but showed that participants who exercised the least and were in the hard to imagine condition had the worst attitudes towards physical activity.
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) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».