Tailored physical activity behavior change interventions: challenges and opportunities
Notice bibliographique
Résumé
A physically active lifestyle provides innumerable benefits; yet, few individuals are physically active enough to reap those benefits. Tailored physical activity interventions may address low rates of physical activity by offering individualized strategies that consider a person's characteristics, needs, preferences, and/or context, rather than the traditional one-size-fits-all approach. However, the tailoring methodology is in its nascency, and an understanding of how best to develop such interventions is needed. In this commentary, we identify future directions to enhance the impact of tailored interventions designed to increase physical activity participation. A multi-country collaborative was established to review the literature and discuss an agenda for future research. Two overarching research opportunities are suggested for improving the development of tailored, behavioral physical activity interventions: (a) optimize the engagement of diverse knowledge users in intervention co-design and (b) examine ethical considerations that may impact the use of technology to support tailored physical activity delivery. Specifically, there is a need for better reporting and evaluation of knowledge user involvement alongside targeting diversity in the inclusion of knowledge users. Furthermore, while technology boasts many opportunities to increase the scale and precision of interventions, examinations of how it impacts recipients' experiences of and participation in tailored interventions are needed to ensure the benefits of technology use outweigh the risks. A better understanding of these research areas will help ensure that the diverse needs of individuals are met, technology is appropriately used to support tailoring, and ultimately it improves the effectiveness of tailored physical activity interventions.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».