What Motivates Nurses to Exercise? Determinants of Physical Activity Among Canadian Nurses Using Self-Determination Theory
Notice bibliographique
Résumé
BACKGROUND: Nurses' suboptimal physical activity (PA) levels place them at high risk for cardiovascular diseases. Little is known about the motivational factors that influence their PA behavior. PURPOSE: This study drew on the Self-Determination Theory (SDT) to investigate whether associations between nurses' levels of mood disturbance, psychological need satisfaction (competence, autonomy, and relatedness), and self-determined motivation predict levels of objectively assessed PA. METHODS: A total of 363 nurses recruited from 14 hospitals in the Champlain region of Ontario, Canada, wore ActiGraph GT3X accelerometers and completed standardized questionnaires assessing sociodemographic and work characteristics, mood disturbance, and SDT variables. Levels of moderate-to-vigorous intensity PA (MVPA) were measured in minutes/week in bouts ≥10 min. Data were analyzed using path analysis and multiple mediational model. RESULTS: The model predicting MVPA showed good fit to the data, χ 2 (4, n = 363) = 7.82, p = .10; comparative fit index = .991; Tucker-Lewis Index = .967; root mean square error of approximation = .051. Higher mood disturbance was associated with lower perceived competence (β = -.29, p = .002), autonomy (β = -.29, p = .002), and relatedness (β = -.19, p = .002). Lower perceived competence (β = .46, p = .003) and autonomy (β = .14, p = .011), as well as higher mood disturbance (β = -.16, p = .016), were associated with less self-determined motivation for PA. Lower self-determined motivation was associated with lower levels of MVPA among nurses. CONCLUSIONS: Interventions targeting low mood, as well as perceived competence and autonomy in exercise, may promote MVPA among nurses and reduce cardiac risk.
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) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».