MétaCan
Menu
Retour à la cohorte
Enregistrement W2313324433 · doi:10.1089/cyber.2015.0281

Evaluation of a Novel Mobile Exergame in a School-Based Environment

2016· article· en· W2313324433 sur OpenAlexafffund
Ainara Garde, Aryannah Umedaly, S. Mazdak Abulnaga, Anne Junker, Jean‐Pierre Chanoine, Mika Johnson, J. Mark Ansermino, Guy A. Dumont

Notice bibliographique

RevueCyberpsychology Behavior and Social Networking · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensBC Children's HospitalUniversity of British Columbia
Organismes subventionnairesMichael Smith Health Research BC
Mots-clésOverweightMedicineBody mass indexPhysical therapyPhysical activityMobile appsIntervention (counseling)Crossover studyObesityInternal medicineComputer sciencePlaceboNursing

Résumé

récupéré en direct d'OpenAlex

Physical inactivity is increasing among children globally and has been directly linked to the growing problems of overweight and obesity. We aim to assess the impact of a new mobile exergame, MobileKids Monster Manor (MKMM), in a school-based setting. MKMM, developed with input from youth to enhance physical activity, is wirelessly connected to an accelerometer-based activity monitor. Forty-two healthy students (11.3 ± 1.2 years old and 0.28 ± 1.29 body-mass index [BMI] z-score) participated in a randomized 4-week crossover study to evaluate the game intervention. The two study arms consisted of week-long baseline, game intervention/control, washout, and control/game intervention phases. All participants were required to wear an activity monitor at all times to record steps and active minutes for the study duration. MKMM was used during each arm's respective intervention week, during which children were asked to play the game at their convenience. When children were exposed to the game, an increase compared with the control phase of 2,934 steps per day (p = 0.0004, 95% CI 1,434-4,434) and 46 active minutes per day (p = 0.001, 95% CI 20-72) from baseline (12,299 steps/day and 190 active minutes/day) was observed. A linear regression model showed that MKMM yielded a greater increase in steps and active minutes per day among children with a higher BMI z-score, showing 10 percent more steps per day and 14 percent more active minutes per day relative to baseline, per unit increase in BMI z-score. In conclusion, MKMM increased steps and active minutes in a school-based environment. This suggests that mobile exergames could be useful tools for schools to promote physical activity and combat obesity in adolescents.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,122
Tête enseignante GPT0,466
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCyberpsychology Behavior and Social NetworkingMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207