Association Between 24‐h Movement Behavior, Physical Fitness, and Inhibitory Control in School Adolescents: A Complex Network Analysis
Notice bibliographique
Résumé
PURPOSE: To investigate the interrelationships between 24-h movement behaviors, health-related physical fitness, and inhibitory control performance in adolescents. METHODS: This cross-sectional study included 216 Brazilian adolescents (aged 16.7 ± 1.2 years) from a federal public school. Movement behaviors-moderate-to-vigorous physical activity (MVPA), smartphone screen time, sleep duration, and excessive daytime sleepiness-were assessed using the Global School-based Student Health Survey, digital well-being tools, and the Pediatric Daytime Sleepiness Scale. Aerobic capacity was measured using the PACER test, muscular strength by the FitnessGram push-up test, and body composition through body mass index. Inhibitory control was assessed using the Flanker task (E-Prime v3.0). Separate network analyses were performed for congruent and incongruent reaction times (RT). RESULTS: Physically active adolescents had faster RTs than their insufficiently active peers, with physical activity negatively associated with RT in both the congruent (-0.116) and incongruent (-0.125) networks. Aerobic capacity (e.g., expected influence: 0.879-0.902) and muscular strength (expected influence: 1.360-1.384) appeared as central components in both network structures. However, no associations were found between sleep duration, screen time, or excessive daytime sleepiness and inhibitory control. CONCLUSIONS: Adherence to MVPA guidelines was directly associated with improved inhibitory control performance among adolescents. Health-related physical fitness, particularly aerobic capacity and muscular strength, was indirectly associated with inhibitory control. Other movement behaviors were not associated with cognitive performance in this sample.
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 | 0,001 |
| 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 ».