Sleep and fundamental movement skills in primary schoolchildren: The <scp>REACT</scp> project
Notice bibliographique
Résumé
OBJECTIVE: Whether sleep is related to fundamental movement skills (FMS) in the pediatric population is largely unknown. The objective of this study was to examine the association between sleep characteristics (duration, efficiency, regularity) and FMS proficiency levels in school-aged children. METHODS: This cross-sectional study included 996 children (mean age: 8.3 ± 1.2 years) from 25 of the 32 primary schools in Matosinhos, northern Portugal. Data collection occurred between January and June 2022. Sleep was assessed using an ActiGraph wGT3X-BT accelerometer worn on the wrist for 7 consecutive days. FMS proficiency levels were assessed in the schools with a new digital platform (Meu Educativo®) that evaluated five object control skills (dribble, kick, catch, throw, and underhand roll), with a total score ranging between 5 and 15. Multilevel ordinal logistic regression was used to test the associations between sleep characteristics and FMS proficiency levels. Covariates included age, sex, body mass index z-score, socioeconomic status, and moderate-to-vigorous physical activity. RESULTS: The results showed that sleep characteristics (duration, efficiency, and regularity) were not related to FMS proficiency. Being a boy, older age, and higher moderate-to-vigorous physical activity levels were all significantly associated with better FMS proficiency levels. There were no significant sex-by-age interactions. CONCLUSION: Sleep was not found to be related to FMS performance in children. This finding suggests that sleep is not a good correlate of FMS proficiency levels in school-aged children, and attention should be dedicated to other more important factors such as skill-learning-specific physical activity.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».