Tai Chi’s Effects on Health-Related Fitness of Low-Income Older Adults
Bibliographic record
Abstract
RÉSUMÉ On a démontré que le Tai Chi peut influer positivement sur la condition physique liée à la santé (CLPS) des participants âgés, en leur offrant un moyen d’accoître la force musculo-squelettique. L’objectif de cette étude était d’examiner les effets de l’intervention de Tai Chi sur la forme physique, et de découvrir si ethnies culturellement étrangères au Tai Chi constituaient un obstacle à la participation à un programme communautaire pour les aînés à faible revenu. Soixante-dix-huit aînés d’origine mixte (55 ans et plus), qui n’étaient pas culturellement affiliés au Tai Chi, ont été recrutés pour cette étude. Les mesures de la condition liée à la santé ont été prises avant et après un programme de Tai Chi d’une durée de 16 semaines, avec sept séances par semaine. Des améliorations significatives en résultaient dans l’aptitude supérieur et inférieur musculo-squelettique ainsi que dans la flexion partielle parmi ceux qui pratiquaient le Tai Chi. Ces résultats suggèrent que le Tai Chi peut être efficace pour améliorer la CLPS, et que les ethnies non pas liées culturellement au Tai Chi n’éprouviaent pas un obstacle à la participation d’un échantillon de population âgée à un niveau socio-économique faible.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".