MétaCan
Menu
Retour à la cohorte
Enregistrement W4414413010 · doi:10.5539/gjhs.v17n5p78

Implementation Effectiveness and Development Pathways of National Fitness Policies in the China Post-Pandemic Era

2025· article· en· W4414413010 sur OpenAlexvenueno aff
Xiuru Guan, Yunning Wang

Notice bibliographique

RevueGlobal Journal of Health Science · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnvironmental Engineering and Cultural Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChinaEconomic shortagePublic healthPhysical fitnessService (business)Face (sociological concept)Training (meteorology)

Résumé

récupéré en direct d'OpenAlex

In the China post-pandemic era, national fitness policies have played a critical role in enhancing public health standards, strengthening population-wide immunity, and fostering societal health development. However, policy implementation continues to face significant challenges, including urban-rural development disparities, uneven distribution of public fitness resources, underutilization of facilities, shortages of professional fitness instructors, and insufficient public awareness of scientific exercise practices. To effectively address these issues, efforts should be accelerated to improve the national fitness public service system, optimize the provision of fitness venues and facilities, rationally allocate fitness resources between urban and rural areas, and enhance the training and recruitment of professional fitness instructors. Concurrently, it is essential to promote deep integration between national fitness initiatives and the health industry, as well as the sports education sector. This integrated approach aims to establish a more scientific, efficient, and balanced framework for national fitness development, thereby comprehensively fostering the sustained improvement of population-wide health levels.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil0,158

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,317
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Journal of Health ScienceMême sujetEnvironmental Engineering and Cultural StudiesTravaux en français237 207