Dual processing approach to sedentary behavior and physical activity in the workplace
Notice bibliographique
Résumé
Regular physical activity is an important health promoting behavior. Yet, many adults live sedentary lifestyles, especially during their workday. The current study applies an extended theory of planned behavior model, incorporating affective attitudes and instrumental attitudes, along with habit, to predict limiting sedentary behavior and physical activity within an office environment. Theory of planned behavior constructs and habit were assessed with an online survey on a sample of 180 full-time office workers, with self-reported behavior assessed 1 week later (Mage = 25.97, SDage = 10.24; 44 males, 134 females, and 2 nonbinary). Model fit was indicated by BRMSEA (M = 0.057, SD = 0.023), B γ^ (M = 0.984, SD = 0.010) and BCFI (M = 0.959, SD = 0.026), accounting for 46.1% of variance in intention, 21.6% of variance in sedentary behavior, and 17.4% of variance in physical activity behavior. A Bayesian structural equation model revealed direct effects of instrumental attitudes and perceived behavioral control on intention to limit sedentary behavior, direct effects of intention and perceived behavioral control on limiting sedentary behavior, and direct effects of perceived behavioral control and habit on engaging in physical activity. The current study indicates intentions to be active in the office are primarily driven by beliefs about the benefits of activity and individuals' perceived level of control, rather than normative or affective beliefs. As behavior was predicted by both intention and habit, findings also indicate office-based activity is likely not always a consciously driven decision. These findings may have implications for improving activity levels in this highly sedentary population.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».