Minimisation de l’effort et autorégulation de l’activité physique
Notice bibliographique
Résumé
La théorie présentée dans cet article vise à expliquer pourquoi de nombreuses personnes ne parviennent pas à transformer leur intention d’être physiquement actif en actions. Les principaux modèles de la motivation humaine indiquent que les processus cognitifs et affectifs sont des déterminants essentiels des comportements de santé, tels que l’activité physique. Cependant, des résultats récents suggèrent qu’un autre processus, l’attrait automatique pour la minimisation de l’effort pourrait permettre de mieux comprendre l’écart entre l’intention d’être actif physiquement et l’engagement réel dans l’activité physique. Les sociétés modernes offrant de nombreuses occasions de réduire la dépense énergétique, surmonter cette attrait automatique pour la minimisation de l’effort s’avère être un défi. La théorie de la minimisation de l’effort en activité physique propose un cadre théorique pour étudier le rapport de force qui régit les interactions entre l’attrait pour la minimisation de l’effort, les ressources cognitives allouées pour y résister et les affects impliqués dans les comportements d’activité physique. Ce cadre théorique a pour objectif de contribuer à une compréhension plus complète et précise des mécanismes neuropsychologiques impliqués dans l’autorégulation de l’activité physique.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».