Feasibility, Usability, and Acceptability of Online Mind–Body Exercise Programs for Older Adults: A Scoping Review
Notice bibliographique
Résumé
Objectives:Engaging in mind–body exercises (MBEs: e.g., Tai Chi and yoga) can have physical and mental health benefits particularly for older adults. Many MBEs require precise timing and coordination of complex body postures posing challenges for online instruction. Such challenges include difficulty viewing instructors as they demonstrate different movements and lack of feedback to participants. With the shift of exercise programs to online platforms during the COVID-19 pandemic, we conducted a scoping review to examine the feasibility, usability, and acceptability of online MBE classes for older adults. Materials and Methods:We followed the scoping review methodology and adhered to the PRISMA reporting checklist. We searched five databases: Medline, Embase, CINHAL, Web of Science, and ACM digital library. Screening of articles and data extraction was conducted independently by two reviewers. Results:Of 6711 studies retrieved, 18 studies were included (715 participants, mean age 66.9 years). Studies reported moderate to high retention and adherence rates (mean >75%). Older adults reported online MBE classes were easy to use and reported high satisfaction with the online format. We also identified barriers (e.g., lack of space and privacy and unstable internet connection) and facilitators (e.g., convenience and technical support) to the online format. Opinions related to social connectedness were mixed. Conclusion:Online MBE programs for older adults appear to be a feasible and acceptable alternative to in-person programs. It is important to consider the type of exercise (e.g., MBE), diverse teaching styles, and learner needs when designing online exercise classes.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».