THE EFFECTS OF PHYSICAL AND COGNITIVE TRAINING ON MOBILITY AND EXECUTIVE FUNCTIONS IN OLDER ADULTS
Notice bibliographique
Résumé
Studies suggest that physical exercise and cognitive training interventions can help improve cognitive functions and mobility in older adults. However, the specific impact of different types of exercise programs and cognitive training on mobility and cognition in sedentary older adults is not fully understood. To investigate this, 68 healthy sedentary participants over the age of 60 (M=68.58, SD=4.68) have been randomized to one of the three 12 weeks training programs (Aerobic (AE)=23, Motor Functions (MF)=24, Cognition(COG)=21). Before and after the training program, the participants underwent physical fitness tests (VO2Max; timed-up-and-go – TUG; metabolic energy cost of walking – MECW), and cognitive evaluations (MMSE, and a modified computerized Stroop task). The AE consisted of high intensity training on a recumbent bicycle. The MF consisted of full-body exercises focusing on coordination, balance, stretching, flexibility without raising the heart rate. The COG training consisted of Ipad exercises focusing on executive functions. Repeated measures ANOVAs revealed a mobility improvement in TUG in all three groups (F(1,65)=9.25, P<.00), an improvement in VO2Max only in the AE group (F(2,65)=4.68, P<.01), an improvement in MECW only in the HM group (F(2,65)=3.35, P<.04), an improvement in Stroop inhibition reaction time only in the COG and MF groups (F(2,65)=25.83, P<.00), and an improvement in Stroop switching reaction time in all groups, with the highest benefit in the COG group (F(2,65)=38.75, P<.00). The study shows that three separate training programs targeting specific mechanisms can improve mobility and confirms the beneficial effects of exercise on cognition.
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 | 0,000 | 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 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 ».