One small step for man, one giant leap for men’s health: a meta-analysis of behaviour change interventions to increase men’s physical activity
Notice bibliographique
Résumé
OBJECTIVE: To determine the effects of behaviour change interventions on men's physical activity (postintervention), sustained change in physical activity behaviour (≥12 months postintervention) and to identify variations in effects due to potential moderating variables (eg, theoretical underpinning, gender-tailored, contact frequency). DESIGN: . DATA SOURCES: Medline, EMBASE, CINAHL, SportDiscus and Web of Science to April 2019. ELIGIBILITY CRITERIA FOR SELECTED STUDIES: Randomised control trials of behaviour change interventions in men (≥18 years) where physical activity was an outcome and data were from men-only studies or disaggregated by sex. RESULTS: Twenty-six articles described 24 eligible studies. The overall mean intervention effect on men's physical activity was 0.35 (SE=0.05; 95% CI 0.26 to 0.45; p<0.001). This effect size is consistent with an increase of approximately 97 min of total physical activity per week or 980 steps per day. Intervention moderators associated with greater increases in physical activity included objective physical activity outcome measures, a gender-tailored design, use of a theoretical framework, shorter length programmes (≤12 weeks), using four or more types of behaviour change techniques and frequent contact with participants (≥1 contact per week). 12 studies included additional follow-up assessments (≥12 months postintervention) and the overall mean effect was 0.32 (SE=0.09; 95% CI 0.15 to 0.48; p<0.001) for that sustained increase in physical activity. SUMMARY: Behaviour change interventions targeting men's physical activity can be effective. Moderator analyses are preliminary and suggest research directions.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,008 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».