Examining individual, interpersonal, and environmental influences on children’s physical activity levels
Notice bibliographique
Résumé
The purpose of this study was to explore individual-level socio-demographic factors and interpersonal-level factors related to social support, as well as the potential role of neighborhood and school environments that may influence the physical activity (PA) levels of children (ages 9-11). Child and parent questionnaires included individual and interpersonal factors, and PA behaviour. Home postal codes were used to determine the neighbourhood the child resides within, as well as their geographic accessibility to recreation opportunities. The models were assessed using a series of cross-classified random-intercept multi-level regression models as children's PA may be affected by both the school they attend and the neighbourhood in which they live. In the unadjusted model, PA varied significantly across school environments (γ = 0.023; CI: 0.003-0.043), but not across neighbourhoods (γ = 0.007; CI: -0.008 to 0.021). Boys were found to be more active compared to girls (b = 0.183; CI: 0.092-0.275), while the level of PA was lower for children whose fathers achieved post-secondary education (b = - 0.197; CI: -0.376 to 0.018) than for those whose parents completed only high school. The addition of the individual-level correlates did not have a substantial effect on level 2 variances and the level 2 variance associated with school environment remained statistically significant. At the interpersonal level, children's perception of parental support (b = 0.117; CI: 0.091-0.143) and peer support (b = 0.111; CI: 0.079-0.142) were positively related to PA. The level 2 variance for the school environment became statistically non-significant when the interpersonal factors were added to the model. At the environmental level, geographic accessibility did not have a significant association with PA and they did not significantly affect level 1 or 2 variance. As many children do not accrue sufficient levels of PA, identifying modifiable determinants is necessary to develop effective strategies to increase PA.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».