Muscle-Building Exercise and Weapon Carrying and Physical Fighting Among U.S. Adolescent Boys
Notice bibliographique
Résumé
= 4120). Muscle-building exercise was assessed based on the number of days reported in the past 7 days, recategorized into four levels of engagement (no engagement [0 days], low engagement [1-2 days], moderate engagement [3-5 days], and high engagement [6-7 days]). Three forms of weapon carrying (general, on school grounds, gun carrying) and two forms of physical fighting (general, on school grounds) were assessed. Five logistic regression analyses with adjusted odds ratios (AOR) and 95% confidence intervals (CI) were used to determine the association between engagement in muscle-building exercise and weapon carrying and physical fighting, while adjusting for relevant demographic and control variables. Over 75% of participants reported engaging in muscle-building exercise. One in five (19.8%) participants reported any general weapon carrying in the past 30 days, 3.3% reported any weapon carrying at school in the past 30 days, 6.5% reported any gun carrying in the past 12 months, 28.0% reported any general physical fighting in the past 12 months, and 10.7% reported any physical fighting at school in the past 12 months. Logistic regressions showed that, compared to no engagement, participants who reported high engagement of muscle-building exercise had higher odds of general weapon carrying (AOR 2.18, 95% CI 1.54-3.07), gun carrying (AOR 2.12, 95% CI 1.23-3.64), and general physical fighting (AOR 2.07, 95% CI 1.53-2.79). These are novel findings that add to a growing literature related to engagement in muscularity-oriented behaviors among males. Prevention and intervention efforts are needed to ensure that adolescent boys engage in muscle-building exercise in ways that are not harmful and to reduce weapon carrying and physical fighting.
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) | 0,000 | 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 | 0,001 |
| 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 ».