Improving Adherence to Exercise: Do People With Knee Osteoarthritis and Physical Therapists Agree on the Behavioral Approaches Likely to Succeed?
Notice bibliographique
Résumé
OBJECTIVE: To describe which behavior change techniques (BCTs) to promote adherence to exercise have been experienced by people with knee osteoarthritis (OA) or used by physical therapists, and to describe patient- and physical therapist-perceived effectiveness of a range of BCTs derived from behavioral theory. METHODS: Two versions of a custom-designed survey were administered in Australia and New Zealand, one completed by adults with symptomatic knee OA and the second by physical therapists who had treated people with knee OA in the past 6 months. Survey questions ascertained the frequency of receiving/prescribing exercise for knee OA, BCTs received/used targeting adherence to exercise, and perceived effectiveness of 36 BCTs to improve adherence to prescribed exercise. RESULTS: A total of 230 people with knee OA and 143 physical therapists completed the survey. Education about the benefits of exercise was the most commonly received/used technique by both groups. People with knee OA rated the perceived effectiveness of all BCTs significantly lower than the physical therapists (mean difference 1.9 [95% confidence interval 1.8-2.0]). When ranked by group mean agreement score, 2 BCTs were among the top 5 for both groups: development of specific goals related to knee pain and function; and review, supervision, and correction of exercise technique at subsequent treatment sessions. CONCLUSION: Goal-setting techniques related to outcomes were considered to be effective by both respondent groups, and testing of interventions incorporating these strategies should be a research priority.
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 | 0,001 | 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) | 0,000 | 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 ».