Identifying Criteria for a Physical Literacy Screening Task: An Expert Delphi Process
Notice bibliographique
Résumé
Objectives: REACH (Recreation, Education, Allied-health, Coaching, Healthcare) leaders support children's physical literacy journey in diverse settings.This project sought physical literacy screening tool criteria that REACH leaders could use to assess children.Methods: A 3-round expert Delphi process sought consensus (75% of participants stating agree/strongly agree) regarding physical literacy screening.Group discussions (Round 1) identified screening issues.Qualitative analyses represented the issues as statements.Experts rated each statement (5-point Likert scale) in Rounds 2 and 3. Mean Round 2 rating for each statement was provided in Round 3.Results: 53 experts were invited to participate with 37 (63% female, mean career length = 16 years) providing consent.Each round comprised at least 7 experts with primary/secondary expertise for each sector.Round 1 identified 60 criteria and 27 potential screening tasks, which were represented in 90 statements.Consensus was achieved for 44/90 statements in Round 2 and 51/90 statements in Round 3. Conclusions:Expert consensus suggests that physical literacy screening should utilize both objectively measured tasks and questionnaires.Encompassing multiple facets of physical literacy, including motor competence, motivation, strength, endurance, and daily behavior, is important.Research is required to identify potential tasks that meet these criteria and are suitable for each REACH sector.
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 | 0,082 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».