Running Every Time, Planking Sometimes: Youth Adherence to a Neuromuscular Training Program
Notice bibliographique
Résumé
ABSTRACT Introduction/Purpose Neuromuscular training warm-up programs are effective in reducing sport and recreation injuries when adherence is adequate. To understand how to improve adherence, it is important to analyze different measures of adherence, such as the utilization of different exercises and components. Methods The intervention arm of a randomized controlled trial in junior high school hysical education (PE) was included in this study. After one school was excluded because of inadequate adherence data, five schools (32 classes) were analyzed. For 12 wk, the schools implemented the Implementing a School Prevention Program to Reduce Injuries Through Neuromuscular Training (iSPRINT) program comprising 15 exercises in four components (aerobic, agility, strength, balance). Utilization fidelity, cumulative utilization (program/component/exercise), and utilization frequency (program/component) were calculated. Results An iSPRINT session was conducted (i.e., ≥1 exercise out of 15 was performed) during 858 out of 1572 (54.6%) PE classes. Utilization fidelity was 13 (Q1, Q3: 7, 14) out of 15 exercises. Between the five schools, utilization fidelity ranged from 5 to 14 exercises. The most frequently utilized exercise was the forward run (96% of all iSPRINT sessions), and the least frequently utilized exercise was forward running with intermittent stops (36%). Utilization frequency of different exercises in individual schools varied from 9% to 100%. On average, the program was conducted twice a week. Out of all the iSPRINT sessions, 98% included aerobic, 89% included agility, 90% included strength, and 78% included balance exercises. Conclusions On average, the schools adhered well to the program, and all components were implemented to some extent. This indicates that there are no program components or exercises that are systematically underperformed. With adherence varying between the schools, it is important to take into account that the implementation context may differ across school environments and barriers to maximizing adherence require consideration.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».