Quick, Effective Screening Tasks Identify Children With Medical Conditions or Disabilities Needing Physical Literacy Support
Notice bibliographique
Résumé
PURPOSE: This study evaluated screening tasks able to identify children with medical conditions or disabilities who may benefit from physical literacy. METHOD: Children completed ≤20 screening tasks during their clinic visit and then the Canadian Assessment of Physical Literacy (2nd edition) at a separate visit. Total Canadian Assessment of Physical Literacy scores <30th percentile were categorized as potentially needing physical literacy support. Receiver operator characteristic curves identified assessment cut points with 80% sensitivity and 40% specificity relative to total physical literacy scores. RESULTS: 223 children (97 girls; 10.1 [2.6] y) participated. Physical activity adequacy, predilection, and physical competence achieved ≥80% sensitivity and ≥40% specificity in both data sets. Adequacy ≤ 6.5 had 86% to 100% sensitivity and 48% to 49% specificity. Daily screen time >4.9 hours combined with Adequacy ≤6.15 had 88% to 10% sensitivity and 53% to 56% specificity. CONCLUSIONS: Activity adequacy, alone or with screen time, most effectively identified children likely to benefit from physical literacy support. Adequacy and screen time questionnaires are suitable for clinical use. Similar results regardless of diagnosis suggest physical competence deficits are not primary determinants of active lifestyles. Research to enhance screening specificity is required.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».