Flight Results from a Novel Magnetic Actuator on the LatinSat Spacecraft
Notice bibliographique
Résumé
Background Evidence of scaled-up physical activity interventions is scarce. This study evaluates the uptake, engagement, and effectiveness of one such intervention program. Methods and Results The program was open to individuals aged ≥17 years in Singapore. The main intervention components comprised device-based daily physical activity recording paired with step count goals and financial rewards. According to the different reward opportunities, we divided the evaluation period (August 2017 to June 2018) into the baseline monitoring phase, the main challenge phase, and the maintenance phase. Uptake was assessed by the number of individuals registered, and engagement by the step recording duration after registration. The effectiveness was defined as changes in mean daily step count from baseline to the main challenge phase and the maintenance phase. A total of 696 907 participants registered, including more Singapore citizens (versus noncitizens), women, and younger (aged 17-39 years) individuals. The evaluation of engagement and effectiveness included 421 388 (60.5%) participants who provided plausible characteristic information and step count data. The median duration of engagement was 74 (IQR, 14-149) days. Compared with the baseline of 7509 (SD, 3467) steps, mean daily step count increased by 1579 (95% CI, 1564-1594) steps during the main challenge phase and 934 (95% CI, 916-952) steps during the maintenance phase. Greater engagement and activity increase were found in participants who are citizens, women, aged ≥40 years, non-obese, and using separate wearables (versus smartphones). Conclusions Mobile health physical activity interventions can successfully reach a large population and be effective in increasing physical activity, despite declining program engagement over time.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».