A Quasi-Experimental Study Examining the Impact and Challenges of Implementing a Fitness-Based Health Risk Assessment and a Physical Activity Counseling Intervention in the Workplace Setting
Notice bibliographique
Résumé
Objectives: Few adults participate in enough physical activity for health benefits. The workplace provides a unique environment to deliver heath interventions and can be beneficial to the employee and the employer. The purpose of the study was to explore the use of a physical activity counseling (PAC) program and a fitness-based health risk assessment (fHRA) in the hospital workplace. Methods: A workplace-based intervention was developed utilizing a PAC program and an fHRA to improve physical activity levels of employees. Hospital employees were enrolled in a 4-month PAC program and given the option to also enroll in an fHRA program (PAC + fHRA). Physical activity was assessed by accelerometry and measured at baseline, 2 months, and 4 months. Changes in musculoskeletal fitness for those in the fHRA program were assessed at baseline and 2 months. Results: For both groups (PAC n = 22; PAC + fHRA n = 16), total and moderate to vigorous physical activity in bouts of 10 minutes or more increased significantly by 18.8 ( P = .004) and 10.2 ( P = .048) minutes per week at each data collection point, respectively. Only participants with gym memberships demonstrated increases in light physical activity over time. Those in the fHRA group significantly increased their overall musculoskeletal fitness levels from baseline levels (18.2 vs 21.7, P < .001). There was no difference in the change in physical activity levels between the groups. Conclusions: A PAC program in the workplace may increase physical activity levels within 4 months. The addition of an fHRA does not appear to further increase physical activity levels; however, it may improve overall employee musculoskeletal fitness levels.
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 | 0,022 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».