Golf ikääntyvän ihmisen liikuntaharrastuksena
Bibliographic record
Abstract
Golf ikääntyvän ihmisen liikuntaharrastuksena. Marsalo Tarja Pro gradu-tutkielma Jyväskylän yliopisto, liikunta- ja terveystieteiden tiedekunta, terveystieteiden laitos Gerontologia ja kansanterveystiede Kevät 2013 40 sivua Suomessa on noin 40.000 seniorigolfaajaa ja tulevaisuudessa pelaaminen voi lisääntyä merkittävästi suurten ikäluokkien jäädessä eläkkeelle. Tällä pro gradu -tutkielmalla selvitettiin seniorigolfaajan pelaamisen ja muun liikunnan harrastamisen määrää. Selvitettiin seniorigolfaajan kokemuksia heidän terveydestään ja sitä, onko seniorigolfaajan pelaamisen useus yhteydessä koettuun terveyteen. Lisäksi tarkasteltiin sitä, eroavatko työikäisten ja eläkeikäisten ryhmät toisistaan pelaamisen määrässä ja muun liikunnan harrastamisen määrässä. Tutkimuksen aineistona käytettiin Suomen Golfliiton Terveysprofiiliaineistoa. Tähän tutkimukseen valittiin kaikki 54 vuotta täyttäneiden vastaukset (N=475). Aineisto analysoitiin SPSS 18 -ohjelmalla. Analyysit tehtiin frekvenssianalyysillä ja ristiintaulukoinnilla. Tulosten mukaan vähän pelaavia oli 23 % vastaajista. Eniten eli kohtalaisesti (21–40 golfkierrosta vuodessa) pelasi 26 % vastaajista. Aktiivipelaajia (41–60 golfkierrosta) oli 20 %, hyvin aktiivisti (61–80) pelaavia oli 11 %. Todella paljon pelaavien (yli 80 kierrosta) määrä oli 20 %. Talviajalla yli 50 % aktiivisesti, hyvin aktiivisesti ja todella paljon pelaavien ryhmässä harrasti muuta liikuntaa terveysliikunnan suositusten mukaiseksi, sen sijaan vähän pelaajien joukossa oli melkein 50 % niitä, jotka eivät harrastaneet riittävästi liikuntaa talvella. Kaiken kaikkiaan seniorigolfaajista noin puolet harrasti liikuntaa terveysliikuntasuositusten mukaisesti. Näyttää siltä, että mitä aktiivisemmin ikääntyvä ihminen pelaa kesällä golfia, sitä aktiivisemmin hän harrastaa talvella muuta hengästymiseen johtavaa liikuntaa. Golfkierrosten sekä koetun terveyden välillä oli yhteys niin, että ne, joilla oli suurimmat golf kierrosmäärät, kokivat terveytensä hyväksi. Huonoksi terveytensä koki alle 2 % vastaajista. Työikäisten ja eläkeikäisten ryhmät eivät eronneet merkittävästi toisistaan. Ikääntyvät ihmiset jotka harrastavat golfia kokevat itsensä terveemmiksi kuin ikätoverinsa. Seniorigolfaajista noin puolet on aktiivisia liikunnan harrastaja ympäri vuoden. Säännöllistä golfin pelaamista yhdessä muun liikunnan harrastamisen kanssa voidaan pitää ikääntyvälle ihmiselle terveyttä edistävänä liikuntana.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.005 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.010 |
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; both teacher heads agree on what is shown here.
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".