Effects of an affective mental contrasting intervention on physical activity behaviour
Notice bibliographique
Résumé
University is a vulnerable period for discontinuing regular physical activity, which can have implications for individuals' physical and psychological health (Bray & Born, 2010). Accordingly, it is imperative to develop and implement cost and time-effective interventions to mitigate the consequences of this transition. Mental contrasting is a self-regulatory strategy that involves imagining the greatest outcome associated with achieving a desired goal while also considering the most critical obstacle for attaining that same goal (Oettingen & Gollwitzer, 2010). Intervention research has shown that mental contrasting can be taught in a cost- and time-effective way, affecting numerous health behaviours including physical activity (Oettingen, 2012). Drawing from diverse theoretical perspectives, recent meta-analytic evidence suggests that affective judgements (e.g., enjoyable-unenjoyable) exert greater influence on physical activity behaviours than instrumental judgements (e.g., useful-useless; Rhodes, Fiala, & Conner, 2009). The present study utilized mental contrasting as a means of targeting affective judgements, through intervention, in order to bolster physical activity promotion efforts. 110 inactive, female, university students were randomly assigned to an affective, instrumental or standard mental contrasting intervention. Assessments were conducted at baseline, and 4-weeks post intervention. After controlling for baseline levels, participants in the affective mental contrasting condition displayed higher moderate-to-vigorous physical activity (MVPA) than those in the instrumental or standard comparison conditions, F(2, 90) = 3.14, p < .05, ηp2 = 0.065. Overall, affective mental contrasting may help inactive, female students increase activity or attenuate declining levels of MVPA that typically occurs during university.Acknowledgments: This research was supported by a graduate scholarship awarded to Geralyn Ruissen by the Canadian Institute of Health Research.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».