Improving the well-being of university students through in-class "fit-breaks": A two-part investigation
Notice bibliographique
Résumé
Higher levels of sedentary behavior are associated with poor well-being, yet students sit for nearly 70% of their waking hours. Physical activity is an underexplored and emerging classroom tool that can be used to decrease students' classroom sedentary behaviour. This two-part investigation examined implementing Fit-Breaks during a 2-hour lecture on the well-being of university students, compared to a music control condition. Fit-Breaks are 10-minute bouts of easy-to-follow exercises and stretches that are designed to be safe and appropriate for students of all fitness levels within a resource and space-limiting environment. In both studies, lecture sections were randomly assigned to one of the conditions and students completed surveys on well-being at the start and end of the semester. Study 1 focused on global well-being, and study 2 honed in on dimensions of well-being. Based on a repeated measures ANOVA model and significance of p < 0.05, study 1 (N=162) demonstrated a significant interaction effect of break structure and well-being over time, F(1,160) = 5.66. In study 2 (N=380), a repeated-measures MANOVA showed a significant time effect, no group effect, and significant interaction effects across groups and psychological well-being over time for autonomy, F(1,378) = 5.34, p < 0.05 and personal growth, F(1,378) = 5.37, p < 0.05. These findings suggest that even small weekly bursts of physical activity in a real-world setting can positively improve well-being, with potentially strongest effects for autonomy and personal growth.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».