A Multi-Week Assessment of a Mobile Exergame Intervention in an Elementary School
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Exergaming is potentially useful to promote physical activity in children; however, long-term effectiveness is unclear. MobileKids Monster Manor (MKMM) is a mobile exergame developed with the help of young advisors. The game wirelessly transmits physical activity data from an accelerometer to a mobile device. Players' steps are redeemed for in-game rewards, for example, new characters. OBJECTIVE: First, to evaluate whether increased physical activity previously observed in a 1-week intervention is sustained over a 2-week intervention and 1-week follow-up, and second, to compare impact in schools within different socioeconomic environments. METHODS: accelerometer throughout. Linear mixed models were applied to assess sustainability; a second 42-children-based dataset and age-/sex-adjusted linear regression models were used to compare effect across socioeconomic environments. RESULTS: In the first week of intervention, the Game group compared to the Control group showed a greater increase in physical activity (of 1,758 steps/day [95% confidence interval, CI = 133-3,385] and 31 active minutes/day [95% CI = 4-59]), relative to baseline (13,986 steps/day; 231 active minutes/day). However, this was not sustained in the second intervention week or follow-up. The school within a lower socioeconomic status environment showed lower baseline activity and the 1-week intervention resulted in a greater increase relative to baseline (3,633 steps/day more [95% CI = 1,281-5,985]). CONCLUSION: MKMM could be a useful short-term physical activity promotion tool; however, effectiveness may decrease as novelty diminishes.
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.
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 | 0,001 | 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 | 0,000 | 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 découle