The daily enactment of behavior change techniques among physically active university students with physical disabilities and chronic conditions
Notice bibliographique
Résumé
BACKGROUND: While behavior change techniques (BCTs) support physical activity (PA) behavior change, further examination aimed at understanding their enactment is needed. PURPOSE: This study aimed to examine the daily enactment of BCTs and the factors that impact their daily usage. METHODS: Using experience sampling methods, we sampled 53 university students (Mage = 22 years; SDage = 3.93 years) from McGill (n = 40) and Queen's (n = 13) University to examine BCT usage among university students with physical disabilities and chronic conditions. A daily online survey was delivered for 10 consecutive days where participants answered a checklist of 28 BCTs, a modified 6-item Capability, Opportunity, and Motivation (COM) questionnaire and questions on situational disruptions. Descriptive analysis summarized BCT usage, COM, and contextual factors. A generalized linear mixed model examined the relationship between demographic variables, COM, and contextual factors on the usage of BCTs. RESULTS: On average, participants used 11 BCTs daily, while 22 distinct BCTs were used over the 10 days. The most frequently used BCTs were task crafting and goal integration. The least used BCTs included self-monitoring and obtaining information on how to perform PA. Women were more likely than men to enact certain BCTs, while students with physical disabilities were less likely than those with chronic conditions to enact others. Participants reported higher daily capability and opportunity to use BCTs compared to motivation. Situational disruptions such as personal commitments (eg, work) followed by flare-ups (eg, pain) were frequently reported. Motivation and opportunity predicted the usage of 15 to 24 BCTs, while capability predicted the usage of 2 BCTs. CONCLUSION: Our findings provide valuable context on BCT enactment, thereby improving the structure of future PA behavior change interventions.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».