Classroom-based high-intensity interval activity improves off-task behaviour in primary school students
Notice bibliographique
Résumé
This study examined the effects of an acute bout of brief, high-intensity interval exercise on off-task classroom behaviour in primary school students. A grade 4 class (n = 24) and a grade 2 class (n = 20) were exposed to either a no-activity break or an active break that consisted of "FUNtervals", a high-intensity interval protocol, on alternating days for 3 weeks. No-activity days consisted of a 10-min inactive break while FUNterval days consisted of a 4-min FUNterval completed within a 10-min break from regular class activities. Off-task behaviour was observed for 50 min after each no-activity/FUNterval break, with the amount of time students spent off-task (motor, passive, and verbal behaviour) being recorded. When comparing no-activity breaks with FUNtervals the grade 4 class demonstrated reductions in both passive (no activity = 29% ± 13% vs. FUNterval = 25% ± 13%, p < 0.05, effect size (ES) = 0.31) and motor (no activity = 31% ± 16% vs. FUNterval = 24% ± 13%, p < 0.01, ES = 0.48) off-task behaviour following FUNtervals. Similarly, in the grade 2 class, passive (no activity = 23% ± 14% vs. FUNterval = 14% ± 10%, p < 0.01, ES = 0.74), verbal (no activity = 8% ± 8% vs. FUNterval = 5% ± 5%, p < 0.05, ES = 0.45), and motor (no activity = 29% ± 17% vs. FUNterval = 14% ± 10%, p < 0.01, ES = 1.076) off-task behaviours were reduced following FUNtervals. In both classrooms the effects of physical activity were greatest in those students demonstrating the highest rates of off-task behaviour on no-activity days. These data demonstrate that very brief high-intensity bouts of exercise can improve off-task behaviour in grade 2 and 4 students, particularly in students with high rates of such behaviour.
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) | 0,001 | 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) | 0,000 | 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 ».