Notice bibliographique
Résumé
BACKGROUND AND AIM: To inform health promotion interventions, there is a need for large studies focusing specifically on what makes older adults feel good, from their own perspective. The aim was to explore older adults' views of what makes them feel good in relation to their different characteristics. METHODS: A qualitative and quantitative study design was used. Independently living people (n = 1212, mean age 78.85) answered the open-ended question, 'What makes you feel good?' during preventive home visits. Following inductive and summative content analysis, data was deductively sorted, based on The Canadian model of occupational performance and engagement, into the categories leisure, productivity, and self-care. Group comparisons were made between: men/women; having a partner/being single; and those with bad/good subjective health. RESULTS: In total, 3117 notes were reported about what makes older adults feel good. Leisure activities were the most frequently reported (2501 times), for example social participation, physical activities, and cultural activities. Thereafter, productivity activities (565 times) such as gardening activities and activities in relation to one's home were most frequently reported. Activities relating to self-care (51 times) were seldom reported. There were significant differences between men and women, having a partner and being single, and those in bad and good health, as regards the activities they reported as making them feel good. DISCUSSION AND CONCLUSIONS: To enable older adults to feel good, health promotion interventions can create opportunities for social participation and physical activities which suit older adults' needs. Such interventions should be adapted to different groups.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».