Exploring the impact of dance: intersectoral quantitative and qualitative methodological challenges, lessons learned, and recommendations
Notice bibliographique
Résumé
Dance-based interventions/programs are gaining popularity; however, interventions are rarely explicitly described, including the role of dance facilitators, and their effects can be difficult to measure. METHODS: a non-randomized pre-post study for six dance groups (teenagers with cerebral palsy, children with cerebral visual impairment, adults receiving outpatient physical rehabilitation, adults with Parkinson's disease, women who were formerly unsheltered, and community-dwelling older adults) outcome measures (heart rate variability-HRV, Multidimensional Outcome Expectation for Exercise Scale, Physical Activity Enjoyment Scale, Flow Sate Scale, and an in-house questionnaire) were collected with 34 participants up to five times to explore changes over time. Interviews, ethnographic observations, video recording and a qualitative thematic analysis were also conducted to describe the pedagogical strategies of one dance facilitator. RESULTS: HRV data were deemed unusable and other quantitative outcomes did not demonstrate statistically significant trends. Qualitative thematic analysis revealed important information about the adaptive verbal and non-verbal interactions between the facilitator and participants, linking to pleasure, effort, and body engagement. DISCUSSION/CONCLUSION: Even without significant trends quantitatively, results were encouraging, and qualitative analyses were illuminating. Lessons learned and recommendations for future dance research and policymakers are included.
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 | 0,436 | 0,324 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,009 | 0,016 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,007 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».