The Effect of Leisure-Time Exercise on Mental Health Among Adults: A Bibliometric Analysis of Randomized Controlled Trials
Notice bibliographique
Résumé
Background: Adequate levels of leisure-time exercise (LTE) are associated with mental health benefits. Despite increased research in recent years through randomized controlled trials (RCTs), a systematic literature review summarizing these findings is lacking. Here, we examined publication trends, impact, and research gaps regarding LTE’s effects on mental health in the form of a bibliometric analysis. Methods: Five electronic databases (PubMed, EMBASE, Web of Science, Ovid Medline, and the Cumulative Index for Nursing and Allied Health Literature) were searched from their inception until 20 November 2024. Citations were independently screened by two authors and included based on pre-determined eligibility criteria. Bibliometric analysis was conducted using SciVal and VOSviewer under five themes: (1) descriptive analysis, (2) network analysis, (3) thematic mapping, (4) co-citation and co-occurrence analysis, and (5) bibliometric coupling. Results: The systematic search identified 5792 citations, of which 78 RCTs met the inclusion criteria. Only one study was conducted in a low- or middle-income country. Sixty-four percent of studies were published in quartile-one journals. Most studies were conducted in the United States, followed by Australia, Canada, and the United Kingdom. National collaborations yielded the highest citation rates, reflecting the influence of cultural and social norms on exercise and mental health. Research gaps were identified with regards to the validity of mental health measures, the paucity of data from low- and middle-income countries, and emerging research sources. Conclusions: This bibliometric analysis highlights the existing evidence on LTE’s impact on mental health and identifies areas for future research and policy. Trials exploring valid mental health outcomes, biomarkers such as mood and oxidative stress, and collaborative research are needed, particularly in underrepresented regions of the world.
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 | 0,133 | 0,465 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,019 |
| Bibliométrie | 0,164 | 0,168 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».