Tell me where you live, and I will predict your exercise levels: How self‐regulatory action control, objective and perceived physical environment jointly explain physical activity time
Notice bibliographique
Résumé
OBJECTIVES: This study investigated how self-regulatory action control indicators (self-regulatory effort, awareness of standards, self-monitoring) and perceived physical environment (perceived physical environment at home, in the neighbourhood, and availability of health promotion programs) are connected to explain moderate-to-vigorous physical activity (MVPA) over time. Furthermore, we examined whether these associations were moderated by an 'objective' physical environmental indicator, comparing small towns and rural areas with fewer PA facilities with a large city with more physical activity (PA) facilities. METHODS AND DESIGN: The study applied a prospective design, with participants (N = 593) providing data twice, spanning 8 months between the measurements. MVPA time was assessed using ActiGraph GT3X-BT accelerometers. Two-group mediation models were tested with path analyses. RESULTS: The associations representing mediating effects, encompassing perceived home environment → awareness of standards → MVPA were significant and positive in the city (with more PA facilities), but no mediation effects were found for data collected in towns/rural areas (with fewer PA facilities). High perceived availability of health promotion programmes was directly related to lower MVPA, but only in towns/rural areas (with fewer PA facilities). CONCLUSIONS: The findings suggest distinct patterns of associations in the larger city, compared to smaller towns/rural areas. Different perceived environmental characteristics and different self-regulatory action control facets may directly and indirectly predict MVPA of citizens living in these two types of locations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».