Predictors of Resistance Training Behavior among Glucagon-like Peptide 1 Medication Users
Notice bibliographique
Résumé
ABSTRACT Introduction Obesity is a chronic condition affecting around 650 million adults globally, with significant health implications such as cardiovascular disease and type 2 diabetes. Glucagon-like peptide 1 (GLP-1) medications have shown efficacy in promoting weight loss among obese individuals, although the weight loss is associated with undesired muscle breakdown. In this study, we investigate the psychosocial determinants of resistance training (RT) behavior among GLP-1 medication users, utilizing the Capability, Opportunity, and Motivation Behavior (COM-B) model. Methods A 1-wk longitudinal study design was adopted, involving members of a medical weight loss program (95.3% female; body mass index, 32.8 ± 7.0 kg·m −2 , 48.8 ± 9.9 yr old), assessing correlates of RT participation through an online survey. Results Psychological capabilities ( b = 0.39, standard error (SE) = 0.14; P = 0.004) and reflective motivation had direct effects on frequency ( b = 1.27, SE = 0.52; P = 0.02). Automatic motivation ( b = 3.40, SE = 1.22; P = 0.005) and physical opportunities ( b = 2.05, SE = 0.92; P = 0.02) had direct effects on duration, and psychological capabilities ( b = 0.41, SE = 0.18; P = 0.03) and automatic motivation ( b = 0.27, SE = 0.13; P = 0.04) had direct effects on intensity. Psychological capabilities directly or indirectly influenced all RT participation characteristics, suggesting a critical role of planning and self-monitoring in fostering RT adherence. Conclusion For GLP-1 users engaging in RT, targeted behavioral interventions may be useful to mitigate muscle loss. Behavior change strategies should focus on psychological capabilities integrating planning and self-monitoring to enhance RT participation, with future research needed to confirm these results in more diverse and larger populations.
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) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».