Association of Teacher‐Level Factors With Implementation of Classroom‐Based Physical Activity Breaks
Notice bibliographique
Résumé
BACKGROUND: Classroom-based physical activity (CBPA) breaks are a common strategy to increase elementary school children's physical activity (PA) levels. There is limited research examining how teacher-level factors impact teacher implementation of CBPA breaks. In this study, we assessed the relationship of teacher-level factors with teacher use of a CBPA resource. METHODS: We randomized 6 elementary schools in rural Oregon into control (N = 3) or intervention (N = 3) conditions. Each teacher at intervention schools received the CBPA resource. Teachers at control schools received 1 CBPA-Toolkit per grade level to share, and received no training. We surveyed teachers on their use of the toolkit, implementation support and self-efficacy, and value for PA. Logistic regression was used to examine the odds of toolkit use by teacher-level factors. RESULTS: Among survey respondents (N = 83), 57% were self-identified toolkit users and 48% attended a training. Training participation and teacher implementation self-efficacy were associated with greater odds of using the toolkit (odds ratio, OR = 7.76 [95% confidence interval, CI = 1.39-43.19] and OR = 5.54 [95% CI = 1.24-23.87], respectively). CONCLUSION: CBPA tools supported with training aimed at developing teachers' implementation self-efficacy increased the likelihood of teachers employing CBPA tools.
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 | 0,008 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».