MétaCan
Menu
← Retour à la cohorte
Enregistrement W2469311079 · doi:10.1249/01.mss.0000485095.19613.f6

Identification and Prediction of the Walking Cadence Required to Reach Moderate Intensity in Older Adults

2016· article· en· W2469311079 sur OpenAlexaff
Danielle R. B̀ouchard, Fagner Serrano, Jana Slaght, Martin Sénéchal, Todd A. Duhamel

Notice bibliographique

RevueMedicine & Science in Sports & Exercise · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueBalance, Gait, and Falls Prevention
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésCadenceIntensity (physics)TreadmillPreferred walking speedMedicineExercise prescriptionPhysical medicine and rehabilitationExercise intensityPhysical therapyInternal medicine

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To evaluate the walking cadence needed to reach moderate intensity in older adults and to develop an algorithm to individualize the prescription. METHODS: Peak oxygen consumption was established with 121 inactive adults (doing less than 150 minutes of aerobic exercise per week) age 55 and above on a treadmill. Walking cadence at moderate intensity was established when participants reached 40% of peak oxygen consumption on an indoor flat surface. Other variables potentially associated with walking cadence were collected (e.g., body weight, stride length, height) to contribute to the algorithm developed with half the sample, randomly selected, and validate with the other half. RESULTS: Mean walking cadence to reach moderate intensity was 115.8 ± 10.3 steps per minute. The best algorithm to predict the walking cadence needed to reach moderate intensity in this sample was: 117.95 - .23 X body weight (kg) + self-selected walking cadence (steps/min). CONCLUSION: In general, adults aged 55 and above need more than 100 steps per minute to reach moderate intensity when the prescription in individualize. Body weight and the self-selected walking cadence are useful to predict walking cadence needed to reach moderate intensity in this population.

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)0,004
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,022
Tête enseignante GPT0,327
Écart entre enseignants0,305 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedicine & Science in Sports & Exercise→Même sujetBalance, Gait, and Falls Prevention→Travaux en français237 207→