Ability-Based Balancing Using the Gross Motor Function Measure in Exergaming for Youth with Cerebral Palsy
Notice bibliographique
Résumé
Objective: To test if the gross motor function measure (GMFM) could be used to improve game balancing allowing youth with cerebral palsy (CP) with different physical abilities to play a cycling-based exercise videogame together. Our secondary objective determined if exergaming with the GMFM Ability-Based algorithm was enjoyable. Materials and Methods: Eight youth with CP, 8–14 years of age, GMFM scores between 25.2% and 87.4% (evenly distributed between Gross Motor Function Classification System levels II and III), competed against each other in head-to-head races, totaling 28 unique race dyads. Dyads raced three times, each with a different method of minimizing the distance between participants (three balancing algorithms). This was a prospective repeated measures intervention trial with randomized and blinded algorithm assignment. The GMFM Ability-Based algorithm was developed using a least squares linear regression between the players' GMFM score and cycling cadence. Our primary outcome was dyad spread or average distance between players. The GMFM Ability-based algorithm was compared with a control algorithm (No-Balancing), and an idealized algorithm (one-speed-for-all [OSFA]). After each race, participants were asked “Was that game fun?” and “Was that game fair?” using a five-point Likert scale. Results: Participants pedaled quickly enough to elevate their heart rate to an average of 120 ± 8 beats per minute while playing. Dyad spread was lower when using GMFM Ability-Based balancing (4.6 ± 4.2) compared with No-Balancing (11.9 ± 6.8) (P < 0.001). When using OSFA balancing, dyad spread was (1.6 ± 0.9), lower than both GMFM Ability-Based (P = 0.006) and No-Balancing (P < 0.001). Cycling cadence positively correlated to GMFM, equal to 0.58 (GMFM) +33.29 (R2adj= 0.662, P = 0.004). Participants rated the games a median score 4/5 for both questions: “was that game fun?” and “was that game fair?.” Conclusion: The GMFM Ability-Based balancing decreased dyad spread while requiring participants to pedal quickly, facilitating interaction and physical activity.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».