Jump step - a community based participatory approach to physical activity & mental wellness
Notice bibliographique
Résumé
BACKGROUND: There is a physical inactivity pandemic around the world despite the known benefits of engaging in physical activity. This is true for individuals who would receive notable benefits from physical activity, in particular those with mood disorders. In this study, we explored the factors that facilitate and impede engagement in physical activity for individuals with a mood disorder. The intent was to understand the key features of a community based physical activity program for these individuals. METHODS: We recruited and interviewed 24 participants older than 18 with Major Depressive Disorder or Bipolar II. The interviews were conducted by peer researchers. The interviews were transcribed and analyzed using NVivo 10™. Thematic analysis was used to analyze the data. RESULTS: The facilitators to physical activity include being socially connected with family and friends, building a routine in daily life, and exposure to nature. The barriers to physical activity include the inability to build a routine owing to a mood disorder, and high cost. The ideal exercise program comprises a variety of light-to-moderate activities, offers the opportunity to connect with other participants with a mood disorder, and brings participants to nature. The average age of our participants was 52 which could have influenced the preferred level of intensity. CONCLUSION: The individuals in this study felt that the key features of a physical activity program for individuals with a mood disorder must utilize a social network approach, take into account the preferences of potential participants, and incorporate nature (both green and blue spaces) as a health promotion resource.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».