Predilection for physical activity and body mass index z-score can quickly identify children needing support for a physically active lifestyle
Notice bibliographique
Résumé
Comprehensive physical literacy assessments can be time-consuming and require a gymnasium space and examiner training. This project sought to identify easy-to-administer tasks, suitable for all physical activity and healthcare settings, which could quickly screen a group of children to identify those most likely to benefit from an in-depth assessment or additional physical literacy support. The 40 potential screening tasks were compared with the Canadian Assessment of Physical Literacy among 226 children (57% female) aged 8 to 12 years. Absolute body mass index z-score above 0.67 or predilection for physical activity less than 31.5/36 points had the highest sensitivity (81% and 83%, respectively) and specificity (45% and 52%, respectively). Predilection less than 31.5 combined with absolute body mass index z-scores achieved 81% sensitivity and 64% sensitivity. When the selected tasks were repeated on a different sample of 71 children (50% female), results were similar with the combination of predilection and absolute body mass index achieving 92% sensitivity and 53% specificity. Predilection for physical activity, absolute body mass index z-score, and a combination of the two are quick and easy screening tasks suitable for all physical activity settings that can identify children likely to need additional support for a physically active lifestyle. Novelty: Physical literacy screening can be completed in recreation, education, allied health, coaching and healthcare settings. Predilection for physical activity and body mass index z-score quickly identify children needing physical literacy support.
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) | 0,000 | 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 ».