How much do schools help? The contribution of school to children’s physical activity levels
Notice bibliographique
Résumé
Most children do not engage in enough physical activity and spend a significant portion of their school days in sedentary behaviours (SB). We explored how different time segments of the day contribute to daily levels of SB, light-intensity physical activity (LPA), and moderate-to-vigorous physical activity (MVPA) among Canadian school children. Students (n = 193; 50.3% male, average age 9.3 years) from three elementary schools wore accelerometers for 7-8 days. School schedules were used to estimate behaviours during specific time segments: Before school (06:00-08:44), in-school time (08:45-15:04), after school (15:05-16:59), and evening (17:00-21:59). Children engaged in an average of 581.0±74.8 minutes/day of SB (65.5% of the day), 200.4±48.7 minutes/day of LPA (22.5% of the day), and 107.4±45.5 minutes/day of MVPA (12.0% of the day). Children spent 63.4% of the school day in SB, 23.3% in LPA, and 13.3% in MVPA. However, in-school time accounted for 38.0% of daily SB, 40.7% of LPA, and 44.7% of MVPA. The shorter after-school period was the most active segment but contributed only 16.2% of daily MVPA, 16.7% of LPA, and 12.0% of SB. The evening segment contributed to 29.6% of daily MVPA, 28.6% of LPA, and 27.4% of SB. In conclusion, given the amount of time spent at school, its impact on children's MVPA could be optimized. The results highlight the need for tailored theory-based interventions for the school and after-school periods aiming at empowering children to move more and sit less.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».