13–17-VUOTIAIDEN AKTIIVISTEN LIIKUNNANHARRASTAJIEN NUKKUMISTOTTUMUKSET JA VIREYSTILA
Notice bibliographique
Résumé
Tämän määrällisen tutkimuksen tavoitteena oli tutkia 13–17-vuotiaiden aktiivisten \nliikunnanharrastajien nukkumistottumuksia ja vireystilaa. Tavoitteena oli tutkia nuorten \nunen määrää ja laatua, päivittäistä vireystilaa sekä millainen yhteys nukkumistottumuksilla \nja vireystilalla on. Nuorten nukkumistottumukset ovat heikentyneet vuosi vuodelta ja \naiempien tutkimuksien mukaan aktiiviset liikkujat tarvitsevat normaalia enemmän unta. \nTutkimuksen aineisto kerättiin touko- ja kesäkuussa 2019 Webropol-kyselyllä. Nuoret \nitsearvioivat omia nukkumistottumuksiaan ja vireystilaansa. Tutkimuksen kohdejoukko \nkoostui aktiivista liikunnanharrastajista ympäri Suomen (n=100). Vastaajista 51 prosenttia \n(n=51) oli tyttöjä ja 49 prosenttia (n=49) poikia. Tulokset analysoitiin IBM SPSS Statistics \n-sovelluksen versiolla 25.0. Tilastollisina testeinä käytettiin varianssianalyysiä, pearsonin \nkorrelaatiotestiä ja khiin neliö -testiä. \nTutkimustulosten mukaan ainoastaan noin kymmenesosa ylsi nuorille tehtyihin \nunisuosituksiin eli nukkuu öisin yli yhdeksän tuntia. Arkena nuoret menivät nukkumaan \nkeskimäärin ennen kello 23 ja viikonloppuisin ennen kello 00. Tytöt menivät aikaisemmin \nnukkumaan kuin pojat sekä arkena ja viikonloppuna. Arkena nuoret heräsivät keskimäärin \nennen kello 07. \nSuurin osa nuorista nukahti alle 20 minuutissa. Melkein puolet nuorista koki aamuisin olevan \nväsynyt herättyään, mikä kertoo huonosta unen laadusta. Suurin osa koki, että heillä oli usein \ntai lähes aina hyvä vireystila ja he jaksavat keskittyä päivisin keskittymistä vaativiin \ntehtäviin. Mitä enemmän nuori nukkui, niin sitä parempi vireystila hänellä oli. Aikaisemmin \nnukkumaan menevillä oli myös parempi vireystila. \nTutkimuksen tulokset nostavat esiin kysymyksen siitä, miten nuoret saataisiin huolehtimaan \nparemmin omasta nukkumisesta sekä miten peruskoulussa voitaisiin ohjata nuoria \nnukkumaan paremmin ja enemmän.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,188 | 0,103 |
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 ».