It's Not Too Hard! Perceived Enjoyment for High-intensity Interval Training in Type 2 Diabetes
Notice bibliographique
Résumé
Despite accumulating evidence that high-intensity interval training (HIT) can improve physical fitness, the feasibility of encouraging sedentary individuals to engage in such vigorous training is unclear. Although a negative relationship between exercise intensity and perceived enjoyment has been suggested, the reduced time commitment and rest periods built into interval training may make HIT more appealing than traditional continuous endurance-oriented training. PURPOSE: To explore the receptiveness to HIT in individuals with prediabetes and type 2 diabetes before and after a 2 wk HIT intervention. METHODS: Four patients with type 2 diabetes and three prediabetics (fasting blood glucose >6.1 mmol/L) performed six sessions of HIT over 2 wk. Each session consisted of 10 × 1-min cycling intervals at ∼90% maximal heart rate separated by 1 min recovery. Perceived enjoyment of engaging in 20 min of HIT (HIT), 30 min of continuous moderate intensity exercise (30CON), and 60 min of continuous moderate intensity exercise (60CON) was assessed before and after the 2 wk training period. Self-efficacy for adhering to each exercise modality as a means of controlling diabetes was also assessed. Perceived differences in enjoyment and self-efficacy between HIT, 30CON, and 60CON were compared using ANOVA pre- and post-training. RESULTS: Perceived enjoyment pre-training tended to favor 30CON (p =.09). Post-training, however, participants rated HIT as more enjoyable (8.3±.0.3) than engaging in 30CON (7.6±0.4) or 60CON(5.0±0.5; p <.001). Differences between self-efficacy scores post-training approached significance (p =.07). Specifically, self-efficacy to perform HIT (91.4±2.6) was greater than efficacy to perform either 30CON (88.6±4.0) or 60CON (80.0±5.3) over the next month. CONCLUSION: These preliminary findings suggest that HIT can be perceived as enjoyable in individuals with type 2 diabetes and prediabetes, and a short-term intervention can increase self-efficacy to engage in HIT in the future.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».