Personalized Interactive Music Systems for Physical Activity and Exercise: Exploratory Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background: Personalized Interactive Music Systems (PIMSs) are emerging as promising devices for enhancing physical activity and exercise outcomes. By leveraging real-time data and adaptive technologies, PIMSs align musical features, such as tempo and genre, with users' physical activity patterns, including frequency and intensity, enhancing their overall experience. Objective: This exploratory systematic review and meta-analysis evaluates the effectiveness of PIMSs across physical, psychophysical, and affective domains. Methods: Searches across 9 databases identified 18 eligible studies, of which 6 (comprising 17 intervention arms) contained sufficient data for meta-analysis. Random-effects meta-analyses and meta-regression were performed to assess outcomes for physical activity levels, physical exertion, ratings of perceived exertion, and affective valence. Results: Results showed significant improvements in physical activity levels (g=0.49, CI 0.07 to 0.91, P=.02, k=4) and affective valence (g=1.65, CI 0.35 to 2.96, P=.01, k=4), with faster music tempo identified as a significant moderator (P=.03). No significant effects were observed for ratings of perceived exertion (g=0.72, CI -0.13 to 1.58, P=.10, k=3) or physical exertion (g=0.78, CI -0.55 to 2.11, P=.25, k=5). Conclusions: Substantial heterogeneity and limited study quality indicate the need for more robust, randomized controlled trials to establish the efficacy of PIMSs in diverse populations.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».