Predicting cross-cultural intentions to engage in physical activity
Notice bibliographique
Résumé
Purpose This research identifies cross-cultural differences between perception and behavioral intentions of Western and South Asian consumers to engage in physical activity. The theory of planned behavior is applied. It aims to provide insights to healthcare marketers and managers to address the problems of being overweight and obese in South Asia. Design/methodology/approach Path analysis was used to conduct this research. Two online questionnaires were used to collect data from South Asian and North American respondents. Cross-cultural differences were identified based on results from structural equation models. Findings Path analysis shows that the theory of planned behavior effectively predicted the behavioral intentions of North American and South Asian respondents. South Asians are more strongly influenced by subjective norms and perceived behavioral control in their intentions to engage in physical activity. On the other hand, North Americans are more strongly influenced by their attitudes. Practical implications A consistent campaign to increase awareness about the risks of being overweight and obese will be necessary in South Asian countries to address this problem. Healthcare marketers need to emphasize marketing messages that lead to positive attitudes toward a healthy lifestyle in society and form public opinion such that it increases the role of social norms. Originality/value The research establishes the utility of the theory of planned behavior for South Asian populations. It identifies cross-cultural differences in terms of how behavioral intentions to engage in physical activity are formed in North American and South Asian populations. The findings are relevant to healthcare service managers and marketers in South Asia.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».