Affecting Effects on Affect: The Impact of Protocol Permutations on Affective Responses to Sprint Interval Exercise; A Systematic Review and Meta-Analysis of Pooled Individual Participant Data
Notice bibliographique
Résumé
Responses to sprint interval exercise (SIE) are hypothesized to be perceived as unpleasant, but SIE protocols are diverse, and moderating effects of various SIE protocol parameters on affective responses are unknown. We performed a systematic search to identify studies (up to 01/05/2021) measuring affective valence using the Feeling Scale during acute SIE in healthy adults. Thirteen studies involving 18 unique trials and 316 unique participant (142 women and 174 men) affective responses to SIE were eligible for inclusion. We received individual participant data for all participants from all studies. All available end-of-sprint affect scores from each trial were combined in a linear mixed model with sprint duration, mode, intensity, recovery duration, familiarization and baseline affect included as covariates. Affective valence decreased significantly and proportionally with each additional sprint repetition, but this effect was modified by sprint duration: affect decreased more during 30 s (0.84 units/sprint; 95% CI: 0.74–0.93) and 15–20 s sprints (1.02 units/sprint; 95% CI: 0.93–1.10) compared with 5–6 s sprints (0.20 units/sprint; 95% CI: 0.18–0.22) (both p < 0.0001). Although the difference between 15–20 s and 30 s sprints was also significant ( p = 0.02), the effect size was trivial ( d = −0.12). We observed significant but trivial effects of mode, sprint intensity and pre-trial familiarization, whilst there was no significant effect of recovery duration. We conclude that affective valence declines during SIE, but the magnitude of the decrease for an overall SIE session strongly depends on the number and duration of sprints. This information can be applied by researchers to design SIE protocols that are less likely to be perceived as unpleasant in studies of real-world effectiveness. Systematic Review Registration Open Science Framework, https://osf.io/sbyn3 .
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 | 0,028 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,033 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».