A Combined Health Action Process Approach and mHealth Intervention to Increase Non‐Sedentary Behaviours in Office‐Working Adults—A Randomised Controlled Trial
Notice bibliographique
Résumé
Background Office‐working adults represent an at‐risk population for high levels of sedentary behaviour (SB), which has been associated with an increased risk for numerous chronic diseases. This study examined the effectiveness of a Health Action Process Approach (HAPA) based planning intervention augmented with tailored text messages to reduce workplace sitting time (primary outcome) and increase specific non‐SBs (i.e. standing time, walking time, stretching time, break frequency, break duration). A secondary purpose was to examine relationships among HAPA volitional constructs and sedentary and non‐SBs. Methods Full‐time office workers ( M age = 45.18 ± 11.33 years) from Canada were randomised into either a HAPA intervention ( n = 29) or control ( n = 31) condition. Workplace sitting time, time spent in specific non‐SBs, and HAPA volitional constructs were assessed at baseline, weeks 2, 4, 6 (post‐intervention), and 8 (follow‐up). Results Significant group by time interaction effects, that favoured the intervention group, were found for sitting time ( p = .003, ɳ p 2 = .07), standing time ( p = .019, ɳ p 2 = .05), and stretching time ( p = .001, ɳ p 2 = .08) as well as for action planning ( p < .001, ɳ p 2 = .20), coping planning ( p < .001, ɳ p 2 = .18), and action control ( p < .001, ɳ p 2 = .15). Significant correlations ( p < .05) were also found between the HAPA constructs and time spent sitting, standing, walking, as well as break frequency. Conclusions Augmenting a HAPA‐based planning intervention with text messages can reduce workplace sitting time in office workers. TRIAL REGISTRATION: ClinicalTrials.gov identifier: NCT03461926.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».