The relationship between implicit and explicit believability of exercise-related messages and intentions.
Notice bibliographique
Résumé
OBJECTIVE: This research explored whether implicit or explicit believability of exercise advertising predicted attitudes and intentions. It was hypothesized that implicit believability would be a stronger predictor of attitudes than explicit believability and that implicit believability would predict intentions. METHOD: Undergraduate student participants (N = 306) viewed health promotion or appearance-based exercise-related advertisements. They completed an implicit believability task followed by questionnaires of issue involvement, attention paid to the advertisements, explicit believability, exercise attitudes, and intentions to exercise. Participants listed 5 thoughts they had when viewing the advertisements. Health and appearance models were tested using structural equation modeling. Thoughts were coded and valence (negative statements subtracted from positive), believability, and motivation indices were created. Correlations between indices and model variables were calculated. RESULTS: Both models were good fits of the data. In the health condition, explicit believability did not predict attitudes or intentions but implicit believability predicted attitudes and explicit believability. In the appearance condition, implicit believability was negatively related to intentions, but was not related to explicit believability or attitudes. There were small positive correlations between attitudes and the thought-listing valence index in both conditions. CONCLUSIONS: The results indicate that exercise-related health promotion messages are believable and that the initial reaction to them coincides with reflective attitudes. However, if appearance messages are believed (even if not explicitly), the effects may be detrimental. It is important to include implicit measures in messaging research as they allow for a more complete understanding of how health messages may influence related cognitions.
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 | 0,003 | 0,028 |
| 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 | 0,001 | 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) | 0,003 | 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 ».