Evaluating actual use of outdoor exercise equipment in a community park in Southern California through video-captured behavioral assessment
Notice bibliographique
Résumé
Aim: Test feasibility of measuring physical activity levels and actual use of outdoor exercise equipment by park users through a human-centered virtual audit in an observational study in southern California. Methods: Approximately 3,000 h of continuous video footage were collected using a stationary, customized, wireless data-transmission-enabled outdoor camera in Eastgate Park, Garden Grove, California. The camera captured images of the outdoor exercise equipment every 30 s for 14 h a day over seven months. A virtual audit was conducted on 300 h of footage by a team of researchers who tracked weather conditions, equipment usage, duration of use, and observed the age, gender, and activity levels (sedentary, moderate, or vigorous) of park users. Equipment use was categorized as intended (correct use) or unintended (e.g., resting on equipment). Results: Pooling observations from all eight exercise machines, adults used the equipment as intended an estimated 77% of the time (95% CI: 76%-79%). Youth used the equipment as intended an estimated 39% of the time (95% CI: 37%-40%). Overall, park users used the equipment as intended an estimated 60% of the time (95% CI: 59%-62%). Conclusion: Virtual audits can effectively differentiate between intended and actual use of outdoor exercise equipment in recreational parks. This method can complement field observation methods, such as SOPARC, and aid in planning public health promotion and education programs to increase proper use of exercise equipment, however it is time intensive. With the advent of AI, automated visual audits can provide timely analysis of park improvement impacts.
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 | 0,002 | 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 | 0,001 |
| 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 ».