Run with feeling: A qualitative content analysis of runner sentiment in Metro Vancouver
Notice bibliographique
Résumé
• This study applies content analysis to Strava runner narratives for the first time. • Findings provide direct insight into the challenges and preferences of runners. • Results suggest the capacity of running to promote wellbeing and sense of community. This study examines features associated with runner sentiment, or feelings, based on qualitative narratives in the form of Strava social media posts among 72 men and 65 women in Metropolitan Vancouver, Canada. Posts were drawn from an Open Authorization (OAuth) portal recruiting runners who used Strava, a popular fitness-tracking social media platform. First, sentiment analysis detected the emotional polarity of posts along a spectrum between -1 to +1, indicating extreme negativity and extreme positivity, respectively. Then, a content analysis of highly positive (0.8 to 1) and negative (-1 to -0.7) posts was conducted to determine the topics associated with extreme runner sentiment. The content analysis resulted in six categories and 26 sub-categories. The categories, in order of frequency, were (1) psychological aspects, (2) interpersonal experience, (3) weather, (4) surroundings, (5) physical experience, and (6) path. Results from this study demonstrate the nuanced personal characteristics influencing runner preferences and experiences. Findings provide insight into factors that may promote or inhibit wellbeing during runs by using direct accounts from Strava runner narratives, a population primarily only studied through quantitative mapping.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».