Minimisation de l’effort et autorégulation de l’activité physique
Bibliographic record
Abstract
La théorie présentée dans cet article vise à expliquer pourquoi de nombreuses personnes ne parviennent pas à transformer leur intention d’être physiquement actif en actions. Les principaux modèles de la motivation humaine indiquent que les processus cognitifs et affectifs sont des déterminants essentiels des comportements de santé, tels que l’activité physique. Cependant, des résultats récents suggèrent qu’un autre processus, l’attrait automatique pour la minimisation de l’effort pourrait permettre de mieux comprendre l’écart entre l’intention d’être actif physiquement et l’engagement réel dans l’activité physique. Les sociétés modernes offrant de nombreuses occasions de réduire la dépense énergétique, surmonter cette attrait automatique pour la minimisation de l’effort s’avère être un défi. La théorie de la minimisation de l’effort en activité physique propose un cadre théorique pour étudier le rapport de force qui régit les interactions entre l’attrait pour la minimisation de l’effort, les ressources cognitives allouées pour y résister et les affects impliqués dans les comportements d’activité physique. Ce cadre théorique a pour objectif de contribuer à une compréhension plus complète et précise des mécanismes neuropsychologiques impliqués dans l’autorégulation de l’activité physique.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".