People who stick to the program: Understanding self-efficacy in middle-aged and older adult men and women
Notice bibliographique
Résumé
Physical activity rates in Canada are poor across adulthood, with rates declining as people get older. With the Canadian population aging, understanding factors related to exercise adherence in older populations is critical. This study determined if three different types of self-efficacy (task, scheduling, and barriers) could predict adherence to an exercise program in middle-aged and older men and women. Adherence data was examined from a subset of women (n = 125; Mage = 66.74 years, SD = 6.29) and men (n = 51; Mage = 69.69 years, SD = 6.46) who participated in a 12-week structured exercise program. Participants were community dwelling, independent walkers with no neural impairments. Hierarchal regressions were conducted, one for each gender. For women, controlling for body mass index (BMI), age and baseline physical activity, the self-efficacy variables accounted for significant variance in adherence, F(6, 118) = 4.19, p < .001, R2adj. = .134. Significant predictors of adherence were physical activity (I² = .228, p = .01), barrier self-efficacy (I² = .239, p = .02) and scheduling self-efficacy (I² = .288, p = .00). For men, controlling for BMI, age and baseline physical activity, the self-efficacy variables accounted for significant variance in adherence, F(6, 44) = 4.30, p = .00, R2adj. = .283. Significant predictors of adherence were age (I² = .290, p = .03) and task self-efficacy (I² = .425, p = .01). Future research should focus on designing physical activity programs that emphasize increasing types of self-efficacy specific to men and women.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».