Exploring novel determinants of exercise behavior: a lagged exposure-wide approach
Notice bibliographique
Résumé
Many middle-aged to older adults do not engage in regular exercise at all, despite its importance for healthy aging. Extensive research grounded in behavioral and social science theories has identified numerous determinants of exercise. However, few studies used an exposure-wide approach, a data-driven exploratory method particularly useful for identifying novel determinants. METHODS: We used data from 13 771 participants in the Health and Retirement Study, a diverse, national panel study of adults aged >50 years in the United States, to evaluate 62 candidate determinants of exercise participation. Candidate predictors were drawn from the following domains: health behaviors, physical health, psychological well-being, psychological distress, social factors, and work. We used Poisson regression with robust error variance to individually regress exercise in the outcome wave (t2: 2014/2016) on baseline candidate predictors (at t1: 2010/2012) controlling for all covariates in the previous wave (t0: 2006/2008). RESULTS: Some physical health conditions (eg, physical functioning limitations and lung disease), psychological factors (eg, health mastery, purpose in life, and positive affect), and social factors (eg, helping others, religious service attendance, and volunteering) were robustly associated with increased subsequent exercise. Among factors related to psychological distress, perceived constraints stood out as a factor in reducing exercise. CONCLUSIONS: We identified potentially novel exercise determinants, such as helping friends/neighbors/relatives, religious attendance, and volunteering, that have not been captured using a theory-driven approach. Future studies validating these findings experimentally in midlife and older adults are needed.
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) | 0,001 | 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 ».