The effect of health messaging on sedentary behaviour risk perceptions: Does immediacy of risk matter?
Notice bibliographique
Résumé
The past decade has seen increasing research on sedentary behaviour (SB) reduction, such as environmental interventions, wearable technology, and policy. However, there is little evidence to suggest that these resource-intensive interventions produce clinically-significant changes in behaviour. One potential explanation for this limitation is a poor understanding of sedentary psychology (Biddle, 2011), including individuals' perceptions of SB as a health risk. For instance, whereas empirical work tends to emphasise SB's relationship with chronic disease (e.g., Tremblay et al, 2010), early research suggests individuals associate SB with musculoskeletal pain, poor fitness, and negative emotions (Gierc & Brawley, 2014; Gilson et al, 2011). The purpose of this study was to examine two questions. First, can a simple health education message about SB risk affect individuals' perceptions of SB? Second, does the type of risk information presented matter? Participants (N=175) completed an online questionnaire. After obtaining baseline beliefs and knowledge of SB, they were randomised to receive one of three messages: control, proximal risk, or distal risk. Messages were followed by scaled items on perceptions of SB (e.g., I think SB is a health risk to me). Analysis indicated no between-group differences in message readability or quality, p>0.05. Significant differences were observed between participants who received risk information (proximal/distal) versus those randomised to the control, ?=0.874, F(8,154)=2.764, p 0.05. Collectively, results suggest that the receipt of any information regarding the health risks of SB may be an effective way to increase risk perceptions about prolonged sitting.
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 | 0,003 | 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 | 0,000 |
| 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 ».