Physical Activity Levels of Physiotherapists across Practice Settings: A Cross-Sectional Comparison Using Self-Report Questionnaire and Accelerometer Measures
Notice bibliographique
Résumé
Purpose: This article describes the physical activity of physiotherapists in British Columbia and examines differences across practice settings using self-report questionnaire and accelerometer-derived measures. Methods: Public and private practice physiotherapists aged 18–65 years were recruited through employee email lists and word of mouth to this cross-sectional study. Participants (n=98) completed the International Physical Activity Questionnaire–Long Form (IPAQ–L) online to quantify self-reported physical activity across various domains (occupational, leisure time, domestic, and transportation). Of these, 38 agreed to wear an accelerometer for 7 days to objectively measure physical activity. Descriptive statistics were used to describe self-reported and accelerometer-measured physical activity across domains, and inferential statistics were used to compare physical activity patterns across practice sites. The correlation and agreement between self-report questionnaire and accelerometer measures were also calculated. Results: Almost all (99%) of the physiotherapists self-reported meeting physical activity guidelines, and only 58% were classified as meeting guidelines when using accelerometers. Public practice physiotherapists self-reported more total, occupational, and domestic physical activity and had higher measured occupational physical activity than private practice physiotherapists. Overall, there was poor agreement between self-report questionnaires and accelerometers. Conclusions: Physiotherapists are an active group, with those in public practice reporting and participating in more physical activity than those in private practice.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».