The relationship between school physical activity policy environment and physical literacy among primary school students: Evidence from Henan Province, China
Notice bibliographique
Résumé
BACKGROUND: Chinese primary school students spend the majority of their day at school, making the school physical activity policy environment (SPAPE) crucial to their development of physical literacy (PL). However, research exploring the relationship between SPAPE and PL remains limited. This study aims to investigate the association between SPAPE and students' PL levels. METHODS: A total of 408 primary school students (206 boys and 202 girls) were included in the data analysis. The School Physical Activity Environment Questionnaire (SPAEQ) and the Canadian Assessment of Physical Literacy-Edition 2 (CAPL-2) were used to assess the policy environment and PL levels, respectively. Pearson correlation coefficients were calculated to explore the relationship between the policy environment and PL. Additionally, ANOVA and MANOVA analyses were conducted to examine the effects of age, gender, and their interaction on the relationship. RESULTS: A significant positive correlation was found between SPAPE and PL, with boys (r = 0.59, p < 0.01) and girls (r = 0.48, p < 0.01) both showing moderate to strong associations. MANOVA results revealed significant gender differences for Daily Behavior (DB) (F (1, 406) = 14.24, p < 0.01, partial η² = .04) and Motivation and Confidence (MC) (F (1, 406) = 4.72, p < 0.05, partial η² = .01). Significant age differences were observed for MC (F (4, 403) = 5.68, p < 0.01, partial η² = .05) and Knowledge and Understanding (KU) (F (4, 403) = 8.57, p < 0.01, partial η² = .08). No significant effects of age, gender, or interaction were found in relation to SPAPE. CONCLUSION: This study is the first to explore the relationship between PL and SPAPE in Chinese primary school students. The results highlight the significant association between SPAPE and PL, with notable gender and age differences. These findings emphasize the importance of tailoring PA policies to account for demographic factors to effectively promote PL.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».