Feasibility and Effects of a Neuromuscular Warm-Up Based on the Physical Literacy Model for 8-12-Year-Old-Children
Notice bibliographique
Résumé
Background: Physical literacy and injury prevention strategies use similar movement-related constructs and can be connected to develop comprehensive interventions. We aimed to test the feasibility and effects of a neuromuscular warm-up based on physical literacy and injury prevention strategies for 8–12-year-old children. Methods: We conducted a cluster non-randomized controlled trial. We defined a priori feasibility criteria and studied the effects of the intervention on physical literacy constructs, movement competence, and neuromuscular performance. We used generalized linear mixed models controlling for covariates and clustering with a significance level of 0.001. Results: We recruited 18 groups (n = 363) and randomly allocated nine to intervention (n = 179; female = 63.7%, age = 9.8 ± 1 years) and nine to control (n = 184, female = 53.3%, age = 9.9 ± 0.9 years). We met four of seven feasibility criteria (i.e. recruitment, adherence, enjoyment, perceived exertion). The three feasibility criteria that were not met (i.e. compliance, fidelity, follow-up) were slightly below the predefined threshold (90%). Model-adjusted mean differences for physical literacy constructs, movement competence, vertical jump height, horizontal jump distance, 20-m sprint time, and dynamic balance favored the intervention (p < .001). Conclusion: The feasibility evidence indicates that the intervention should be slightly modified before implementing it in a larger study. The observed mean differences are promising and can be used in planning future interventions.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».