Physical Activity Together for MS: Quality Participation Experiences of People With Multiple Sclerosis and Their Caregivers in a Dyadic Physical Activity Intervention
Notice bibliographique
Résumé
BACKGROUND: Despite unequivocal evidence for the benefits of regular physical activity (PA), many people with multiple sclerosis (MS) and their family caregivers find it challenging to fully participate to the same extent as the general population. Achieving full participation in PA requires addressing both quantity and quality of participation. Although elements fostering quality participation (QP) in people with disabilities are increasingly recognized, our knowledge of how QP is experienced and fostered in dyadic PA interventions targeting MS dyads is limited. Therefore, we aimed to explore QP experiences of MS dyads during a 12-week, group-based, dyadic, behavioral PA intervention to inform future efforts to optimize full participation in PA in these groups. METHODS: We conducted semistructured interviews with 6 participants who completed the dyadic intervention. Data were inductively analyzed using thematic analysis and deductively mapped to the Quality Parasport Participation Framework. RESULTS: We identified 6 themes mapped to the 6 building blocks (autonomy, belonging, challenge, engagement, mastery, and meaning) of quality participation that provide insights into how people with MS and their caregivers experienced QP in the intervention. Additionally, various intervention characteristics that fostered QP experiences were identified, including the dyadic approach, program duration, financial incentivization, individualized tailoring of program components, group composition and dynamics, facilitator knowledge and expertise related to MS and caregiving, and the opportunity for participants to apply the knowledge gained in the group sessions. CONCLUSIONS: Our findings outline QP considerations for researchers and interventionists designing dyadic PA programs in MS, offering insights that can inform the development of such programs to support full participation for both people with MS and their caregivers.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».