《Frontiers in Sports and Active Living》：Expert-based quantitative modeling for the probabilistic assessment of human factors risks related to physical literacy
摘要
背景：身体素养（PL）概念的引入促进了可持续发展目标3（SDG3）中关于人类体育活动（PA）领域的进展。安全文化理论将PL指标视为PA的人为因素（HF），并认为存在一种文化风险现象。人为因素可能对PA的实施或效果构成潜在风险，因此迫切需要探索PL中人为因素的风险机制。
方法：本研究选择了“感知PL量表”（PPLI）来评估PA中人为因素的测量。采用简单抽样方法选取了62名体育教育/政策专家作为样本。本研究从安全文化的角度引入了“决策测试与评估实验室”（DMTAEL），并基于PPLI的全因结构（两个阶段和六个属性）构建了“人为因素风险概率评估模型”（HFRPAM），以定量分析人为因素的风险概率。随后进行了人为因素风险的诊断（风险等级）、识别（风险权重和敏感性）及优化（路径）分析。
结果：研究发现，HFRPAM作为PA中人为因素的结果，可以用风险概率来表征。HFRPAM的整体风险等级不高。全因结构中的高风险相关系数（≥4）为0.4803（0.40 ≤ p ≤ 0.8）。在HFRPAM的全因结构中，次要和第三级指标的高相关系数（≥4）中，CS(X1)核心阶段的风险等级最高，为0.9838（0.81 ≤ p ≤ 1.0），其风险权重最高（12.82%）。ES03(X8)的知识和理解在敏感性值/活动方面（0.3881）和优化指数方面（0.5106）表现最佳。
结论：作为一项探索性研究，本研究提出的量化HFRPAM计算方法可以为当前的PA感知结构模型提供理论支持，为补充PA中人为因素的科学有效性提供有益的行为框架。
1. 引言
在过去30年里，身体素养（PL）概念的引入引发了关于体育活动（PA）的新讨论（1, 2）。PL已成为体育教育（PE）中越来越多的PA主题和因素（5）。然而，人们对PL的理解仍然不足，缺乏指导可持续发展目标3（SDG3）实施的相关复杂性和安全文化理论（6）。PL的引入改善了许多国家在公共卫生政策和服务政策（PE）方面的PA状况（7–11）。PL旨在改善全球的久坐行为和PA不足问题，为公共卫生政策提供强有力的支持（12）。PL还通过促进个人身体健康来应对肥胖和慢性疾病（如心血管疾病）（13）。在中国的“健康中国2030”体育强国战略中，提出了PL指标以帮助指导PA并实现SDG3（14）。PA政策的改变或实施过程中存在多种人为因素（HF）相关的安全文化陷阱（15）。具有前瞻性或领先性目标/举措的人为因素可能有助于组织领导者进一步改进PA政策的实施（16）。自PL概念提出以来，关于其哲学属性的争议一直存在（17）。PL的人为因素测量侧重于可能性和不可能性（6）及其有效性（10），吸引了安全文化学者的关注。从安全文化的角度来看，PL与PE、健康PE及高质量PE之间的人为因素风险概率（RP）仍存在争议（3–5, 9）。PL在PA中具有隐喻基础（18），受到社会文化方法/RP和整体论调/人为因素的影响（19）。在澳大利亚和英国（20–22），批判性思维下的人为因素影响可能导致PL的包容性理念偏离正确方向（23）。PL的文化标签（24），包括不同地区的人为因素定位（25–27），是安全文化的一种现象，也具有RP特征。对PE教师的元分析显示，PA的PL测量（结构建模）方法令人担忧（28）。PE教师负责在基层层面实施国家教育政策和公共卫生政策。PL结构模型对PE教师的科学有效性（合理性）成为组织/国家公共卫生/服务政策可持续性的关键因素，引发了关于PA感知风险（RP）的安全文化关切。
Whitehead提出的两阶段六属性的PL感知模型作为一种有效评估PA认知结构的方法，尚未得到充分验证或观察（24–27）。另一种更直接的表述是，虽然经常假设Whitehead PL属性之间的人为因素相互关系，但很少通过RP实证方法对其安全文化特征进行测试。本研究旨在填补以下研究空白：将PL的两阶段六属性作为人为因素的结果；这一结果具有RP特征；这些特征包括风险等级、风险权重、敏感性值和优化指数；本研究探索性地分析了PL的两阶段六属性作为人为因素的RP特征；高相关性的人为因素是否会导致高RP特征（高风险等级、高风险权重、高敏感性值和高优化指数）。因此，本研究的研究目标是验证Whitehead PL感知模型中人为因素RP的定量关系，并从安全文化的角度验证对PA认知结果的可靠性。2025年，在决策测试与评估实验室（DMTAEL）中进行的SDG3非物质文化遗产体育相关研究中确定，PL的缺乏可能构成可持续的人为因素，并具有RP属性（28）。本研究将个体或集体的PL感知行为视为具有RP特征的人为因素干预结果，具有对SDG3的实际价值。基于此，本研究从实践安全文化的角度结合DMTAEL方法，观察体育医学中人为因素的安全文化特征，包括RP的诊断、识别和优化。
基于以上考虑，本研究以PE教师的感知PL结构模型（PPLI）为样本，构建了“人为因素风险概率评估模型”（HFRPAM），用于定量分析人为因素风险概率，并进一步进行风险诊断（风险等级）、识别（风险权重和敏感性）及优化（路径）。
2. 方法
2.1 研究设计
本研究采用基于专家的定量建模方法，认为人为因素可以增强PL的感知并促进PA。将人为因素视为风险因素，并进一步开发了HFRPAM来评估人为因素风险的RP数学关系。在研究开始前，该研究已获得郑德理工学院的伦理委员会批准（ZDPC-2024PE-074）。目前缺乏关于PL的定量研究。为确保研究的科学有效性和严谨性，本研究设计了详细的研究方案，包括组建专家研究团队、设计研究程序以及逐步明确研究内容。
2.1.1 专家研究小组
本研究成立了专家工作组，协助研究人员共同确保研究质量，从而提高整个研究过程的可靠性和有效性（29）。研究团队成员包括体育史教授、安全专家和体育教育（体育训练）教授。研究工作分为两部分：第一部分参与研究设计讨论；第二部分协助设计并分目标发放问卷（明确研究受访者类型并提出建议）。
2.1.2 研究程序、步骤和内容
研究团队共同确定了研究设计的程序、步骤和内容。研究设计严格遵循科学研究的逻辑，分为三个阶段：问题识别、问题分析和问题解决。
第一阶段是问题识别阶段。在此阶段，主要任务是明确研究目标、分配角色和责任。第一步是建立人员和目标程序，研究团队以高效、随机的方式开展工作，由通讯作者担任监督者，所有作者平等参与。研究团队共同制定了定义研究目标的程序：研究目标1（风险等级）→ 研究目标2（风险权重）→ 研究目标3（敏感性值）→ 研究目标4（优化指数）。第二步是完善研究目标的内容框架。研究团队认为，PL结构模型的RP评估基于PL是否有效的逻辑；换句话说，PL的结构模型可能对PA的实施有效或无效。现有PL研究大多集中在横断面观察上，涉及儿童、青少年和成人组（25–27, 30）。本研究未收集到关于是否进行过序列研究的数据。需要明确的是，PL（结构建模）的测试结果与PA实施之间的正相关或负相关性非常重要。基于收集的数据，PL测试结果与政策实施之间存在间接关系，这有助于提高人们对RP的认识（19, 21, 22）。具体来说，这反映了通过RP的诊断、识别和优化在结构模型中可能带来的PA益处；或者换句话说，它体现了融入人为因素如何增强人们对PL的理解。研究团队一致认为，PL的人为因素结构有助于PA的实施（两者之间存在正相关）。更细致的描述是，PL的结构模型（人为因素RP的特征）在科学上是合理的（低风险），并将带来良好的PA效果。结合认知行为理论，人为因素是PL的认知因素（两者相关），RP是对行为的影响，而RP的人为因素特征是PL对PA良好效果的体现。
为明确起见，基于安全文化视角，PL的结构模型被称为HFRPAM。
2.2 方法细节
（研究设计的具体内容在此省略，可参考原文。）HFRPAM结构的第二部分（图1B）展示了该模型的特点，包括风险因素的类别和关系，以及风险水平（目标1）和风险权重（目标2）。HFRPAM结构的第三部分（图1C）介绍了模型的可靠性测试，包括RP的敏感性值（目标3）和优化指数（目标4），以展示模型的稳健性结果。第二阶段是问题分析阶段。在分析问题阶段，主要任务是量化HFRPAM的RP特征，包括类别、关系、类别、概率（序列/敏感性）和优化（15, 16, 31）。这些工作分为两个步骤。第二阶段的第一步涉及定义HF的类别、关系和级别，并将其配置为变量的类别、关系和级别。基于DMTAEL，研究人员创建了图1，并与所有专家进行了深入讨论，并获得了他们的批准。PL的结构模型是测量工具验证的结果，其中感知PL工具（PPLI）是一个领先的工具（8, 32）。PPLI的结构模型是根据Whitehead的PL概念设计的（26, 30, 32）。Whitehead认为PL涵盖了个体在整体和终身体育活动中的特征，分为核心阶段（包含三个属性：动机、身体能力和与环境互动）和外部阶段（包含三个属性：自我意识、自我表达和与他人交流、以及知识和理解），并强调这两个阶段是相互关联和动态的（6, 24, 33–35）。研究团队讨论并隐含地决定使用PPLI的结构模型作为HFRPAM的HF类别和RP关系的基础，具体标记（编码）为两个主要HF和六个次要HF。见表1。核心阶段是第一个HF X1，外部阶段是第五个HF X5。
表1 主要人为因素 次要人为因素 项目 结构因素 编码
核心阶段 X1（CS） 动机 X2（CS01） PL09c, 15c, 18b 自信心和身体能力 X3（CS02） PL01c, 06c, 14d 与环境的互动 X4（CS03） PL03, 10c, 16d
外部阶段 X5（ES） 自我意识和自信心 X6（ES01） PL02a, 07a, 08a 自我表达和与他人交流 X7（ES02） PL11a, 12a, 13a 知识和理解 X8（ES03） PL04a, 05a, 17a
基于第二阶段第一步的内容，本研究共包括8个变量，其中2个一级变量和6个二级变量。描述HFRPAM中变量之间关系的更直接和详细的算法，包括方程式以及输入和输出之间的关系，将在数据计算部分详细报告。第二阶段的第二步涉及确定HF的概率（序列/敏感性）和优化，并定义算法。使用贝叶斯网络概率算法（BNPA）（36–38），国际标准化组织（ISO）31,000提出的5×5矩阵被作为RP风险标准来评估HF的水平（研究目标1）。特别需要注意的是，本研究包含ISO 31,000（5×5阶矩阵）作为RP风险标准的理由是，它在体育/安全文化研究领域代表了一种成熟的类似方法（39）。通过熵减少和互信息算法（15），评估HF的RP，并对HF的序列进行排名以获得每个风险权重（研究目标2）和敏感性值（研究目标3）。通过综合指数算法（31, 40），评估HF的优化（综合）指数，以提出HF的优化路径（研究目标4）。基于HFRPAM活动序列的结果，建立了一个优化路径，以解释模型的稳健性并展示其可靠性。
第三阶段是问题解决阶段。在问题解决阶段，主要关注审查PL结构模型的HF，包括讨论实施PA的好处和验证HFRPAM设计的理论逻辑。第三阶段的工作分为两个步骤。第三阶段的第一步：问题解决阶段主要涉及审查PL结构模型的HF。以高质量的体育教育为背景（4），讨论PL结构模型在政策实施中的优势（HF的优化，研究目标3和研究目标4）和限制（HF的风险水平和权重，研究目标1和研究目标2）。第三阶段的第二步：研究团队与所有作者一起，回顾了本研究中HFRPAM设计背后的理论依据。在安全文化领域，三维协同机制和路径（图2A）——以医疗保健和患者为中心，强调实际应用，涉及文化驱动因素→能力支持→风险缓解的序列——可能代表本研究中HFRPAM的最直接理论基础（41）。以三维协作机制为逻辑起点，一些研究人员提出了公共卫生系统中潜在有害行为的框架和路径（图2B），包括人为错误→鲁莽行为→危险行为（31）。本研究提出的HFRPAM概述了一个潜在有益行为的框架（图2C），包括HF→PL→PA。图2进一步说明了本研究中的HFRPAM设计如何填补理论研究的空白[一个潜在有益行为的框架（31）]，并展示了其在实际应用中的价值[与无形文化遗产体育中的风险因素可持续发展模型（28）相比，这可能代表了风险因素的纵向因子分析结果]，从而完成了研究设计的逻辑循环。
图2A 三维协同机制框架/路径用于文化安全研究。
2.2 研究材料
PPLI是本研究的直接材料。PPLI的结构模型是本研究的间接材料（HFRPAM的逻辑分析材料）。
2.2.1 PPLI
在中国，有三种版本的PPLI：英文版（26）、粤文版（27）和简体中文版（42）。这三种版本的PPLI都经过了严格的效度和可靠性测试。英文版的Cronbach's alpha值为0.73–0.76，粤文版的Cronbach's alpha值为0.51–0.82，简体中文版的Cronbach's alpha值为0.79–0.83。三种版本的PPLI项目数量不同，粤文版有9个项目，其他两个版本有18个项目。为了保持科学研究的严谨性并符合研究目标（PPLI结构模型的全因素结构），本研究选择了Whitehead的英文版18个项目。PPLI的结构模型提供了对英文版和简体中文版观察到的结构的全面分析，作为版本选择的基础，并为HFRPAM全因素结构的有效性提供了有力证据。其中，英文版（体育教师版）的结构模型包含3个维度和9个项目，声称检测到了Whitehead PL概念的核心阶段，并将其命名为动机、身体能力和与环境互动。简体中文版（本科生版）的结构模型是一个三维、九项的模型，声称检测到了Whitehead PL概念的外核阶段，并将其命名为自我意识、自我表达和与他人交流、以及知识和理解。简体中文版（教练版）的结构模型是一个四维、九项的模型，声称检测到了Whitehead PL概念的核心阶段和外部阶段的交织现象。简体中文版（教师版）的结构模型是一个四维、十二项的模型，声称检测到了Whitehead PL概念的核心阶段和外部阶段的重叠现象，并分别命名为自信心、动机、身体能力和知识与理解。本研究使用包含6个维度和18个项目的PPLI结构模型作为标准。为了清晰起见，本研究将Whitehead的PL概念引入，将核心阶段和外部阶段视为主要风险因素，相应的六个维度分为次要风险因素。此外，本研究的研究目标还包括计算所有HF之间的相互关系，因此进行了连续序列编码（X1–X6，确保18个项目不重复）（见表1）。
2.2.2 HFRPAM
PPLI结构模型与HFRPAM结构的详细映射：主要HF被分为X1（CS）和X5（ES），其中X1（CS）包含3个次要维度和9个项目[X2（CS01；PL09, 15, 和 18），X2（CS02；PL01, 06, 和 14），以及X3（CS03；PL03, 10, 和 16]，而X5（ES）包含3个次要维度和9个项目[X6（ES01；PL02, 07, 和 08），X7（ES02；PL11, 12, 和 13），以及X8（ES03；PL04, 05, 和 17]。
2.2.3 跨文化
PPLI是一个标准的5点李克特量表（1=强烈不同意，5=强烈同意）。本研究调整了PPLI，并将其从英文翻译成中文并反向翻译（双向翻译和相互验证）。然而，根据我们的研究目标，在创建问卷时进行了四项修改（三个设置和一个调整）。第一个设置是问卷的引言部分。在问卷的引言部分，研究人员首先概述了基本的研究要求（伦理审查和知情同意）。第二个设置是问卷的基本信息部分。在问卷的基本信息部分，研究人员为研究样本（受访者）设置了人口统计参数，包括年龄、性别、角色、学术背景、专业服务和研究方向。本研究并不打算考察社会学变量（人口统计数据）。基本信息部分的添加仅用于筛选资格。第三个设置是问卷的特别说明部分。在项目介绍中，研究人员特别指出：要求受访者从危机/安全的角度评估项目之间的相互关系风险（1=强烈不同意，5=强烈同意）。更具体地说，每位受访者（专家）被要求根据两个主要变量和六个次要变量，在5点李克特量表上评估HF（RP/文化风险）的影响。第四个调整步骤涉及调整PPLI中的维度和项目顺序。将核心阶段列为第一个项目，接着是核心阶段的三个维度，然后是外部阶段，最后是外部阶段的三个维度。每个维度都列出了项目，但不需要评估（见表1）。
2.3 研究样本和数据收集
2.3.1 研究样本
本研究样本来自一组行业专家（PL、文化安全和体育教育，图3）。关于研究样本的选择，基于结合探索性科学研究和专家共识的双重方法，本研究采用了一种特定的人群/简单抽样方法。
图3 参与者流程图。
通讯作者和前三位作者作为抽样研究团队完成了抽样工作。抽样研究团队由来自教育/体育组织的两位领导、一位文化安全研究者和一位PL研究者组成。通讯作者要求抽样研究团队成员根据三个标准提供/建立一组行业专家：（1）受雇于国家公共卫生/服务机构或高等教育机构；（2）发表了关于文化安全或体育教育主题的研究论文；（3）参与体育教育课程教学或公共卫生/服务政策的实际制定。通讯作者要求抽样团队中的两名成员在六个主要的中文和英文数据库中搜索专家——包括Web of Science、Scopus、PubMed、IEEE Xplore、ScienceDirect和CNKI（中文）——并根据专家小组的标准提供每组100位专家的名单。通讯作者随后清除了名单中的重复条目（200=100+100），并为每位专家分配了计算机生成的随机代码。最终，根据这些代码确定了名单及其排名。抽样团队使用Jamovi软件版本2.6.26进行了先验功效分析，以确定总样本大小（专家数量）。本研究还进行了F检验和方差分析（重复测量），被试内检验，效应量δ0.5，概率功效0.8，最大第一类错误率α 0.05。计算表明总样本大小为51。本研究还考虑了20%的退出率（基于现有标准），因此需要额外的11位专家（样本：11>51×0.2）。因此，最终确定的总样本量为62（62 = 51 + 11）。抽样研究团队提供了一份包含65名个体的名单。经过与研究团队的讨论，一致同意纳入62名个体（其中3名持有硕士学位的体育教师被排除在外）。附加说明：将先验功效分析纳入本研究的原因基于研究团队对五个因素的全面考虑，包括：（1）专家共识方法；（2）医学模型中的8EPP原则（每个候选预测因子八个事件；一个模型参数—HF；假设发病率为1，则需要8个样本量）；（3）仅识别高置信度的变量关联（PPLI结构模型中的8个全因风险权重）；（4）使用探索性贝叶斯网络建模方法；（5）不对结构模型的网络结构进行因果推断。因此，本研究采用了基于医学研究中先验功效的样本量计算方法。2.3.2 数据收集作者负责问卷的发放和收集工作。第四作者使用基于表1的电子QR码的Wenjuanxing平台（工具）来分发和收集问卷。每位受访者（行业专家）完成问卷后生成一个数据点。第四作者进行了三轮问卷分发和收集，每轮间隔两周。收集到原始数据后，第四作者将其交给了第五和第六作者（用于数据计算）。为了确保科学研究的严谨性，设置了三轮问卷的发放和回收流程。在第一轮问卷中，从62位专家中随机选择了12位来验证跨文化研究（英语-简体中文翻译）的结果。在问卷的第三部分设置了半开放式问题，“请填写您认为语言表达不清楚的条目的编号”，如果有任何专家填写了条目，则需要重新进行第一轮问卷调查，持续7天或直到收集到足够的反馈以支持决策制定。在第二轮问卷中，从剩余的50位专家中随机选择了10位来验证问卷的内容效度指数（CVI）。在问卷的第三部分设置了半开放式问题，“请填写您认为应该调整的条目的编号（例如，PL01属于条目2）”，如果有任何专家填写了条目，则需要重新进行第二轮问卷调查，直到所有受访者都达成一致。在第三轮问卷中，将经过跨文化验证并认可条目分类的最终版本的问卷发放给了所有62位专家。2.4 数据计算研究团队共同确定了数据计算的工具、步骤、方法和标准。本研究选择了Jamovi（版本2.6.26）和Excel（版本2019）作为数据计算工具（43）。2.4.1 数据清洗数据分析的第一阶段是数据清洗（图4A），包括四个子步骤：描述性统计、内容效度指数、重测信度和结构效度。图4 数据计算的方法、指标和标准。描述性统计：描述性统计分为两部分：跨文化验证和人口统计信息。跨文化验证：跨文化验证计算包括将三轮问卷的回应率转换为百分比。人口统计信息：计算受访者的年龄、性别、角色、学术背景、专业服务和研究方向等人口统计变量的百分比。内容效度指数：使用CVI评估问卷的内容效度，其中项目层面（I-CVI≥0.8，可接受）和量表层面（S-CVI≥0.9，可接受）。使用Cronbach's alpha指数（>0.7，可接受）评估问卷项目的内部一致性（44）。为了确保不同链上模型抽样结果的一致性，从而验证模型的稳定性和可靠性，引入了Rhat统计量（Gelman-Rubin诊断）来衡量链之间的差异。Rhat值接近1（<1.1）表示链间已达到收敛。重测信度：使用组内相关系数（ICC，≥0.5，可接受）计算问卷的重测信度，并计算所有项目的变异性（p<0.001，可接受）（44, 45）。通过Kolmogorov–Smirnov检验（样本量>50）、绝对峰度（<10）和绝对偏度（<3）来测试数据模型的正态性（通常可接受）（44）。结构效度：为了验证构念效度，分别进行了探索性因子分析和验证性因子分析，以进一步确立新测量工具的构念效度（44）。探索性因子分析考虑了Bartlett的球形性检验（p≤0.05）、Kaiser-Meyer-Olkin指数（KMO，>0.6）和相关矩阵的可因子性（r≥0.13）（44, 45）。在计算的第一阶段，第五和第六作者负责初步数据分析。第四作者审查了结果，整理数据，并将其传递给下一阶段的计算。2.4.2 风险等级整个计算过程的第二阶段涉及计算模型的风险等级（图4B），该等级被纳入BNPA算法框架中。使用方程1（36, 37）中的贝叶斯概率算法，计算了HF的后验概率。将5点李克特量表PPLI作为HF与感知身体健康之间的相关性标准，以确定HFRPAM中的HF风险等级。分配了以下类别：1（非常低的相关性），2（低相关性），3（中等相关性），4（高相关性），5（非常高相关性）。此外，还评估了HFRPAM全因结构中三个锚点的HF相关性（低相关性≤2；中等相关性=3；高相关性≥4），以及二级和三级HF的2个锚点的相关性（无相关性≤2；正相关性≥4）。根据国际标准化组织（ISO）31,000（32）提出的5×5矩阵框架，HF风险等级的等距量化设置为0.2。结合风险因子的后验概率，HFRPAM全因结构中的风险等级可以被划分为低风险等级（p≤0.4）、中等风险等级（0.40< p<0.8）和高风险等级（0.81≤p≤1.0）；当纳入二级和三级HF时，HF风险等级定义为高风险（p>0.4）和非高风险（p≤0.4）。本研究使用EXCEL版本2019辅助计算。数据收集完成后，按列（指标）和行（数据）进行排序（状态空间和离散化规则），进行了数据清洗，计算了指标频率（节点集），并使用COUNTIFS()公式将节点分为低相关性（<3）、中等相关性（=3）和高相关性（>3）。我们的联合概率计算逻辑基于核心阶段指标（X1）的联合数据集（包括X2、X3和X4）以及外部阶段指标（X5）的联合数据集（包括X6、X7和X8），这些作为条件概率的前件节点（条件概率表的逻辑基础），HF的后验概率作为联合概率的结果。联合概率（后验概率）是通过（先验概率*似然概率）/边际概率来计算的。需要指出的是，根据我们掌握的信息，似乎我们团队的研究是首个提出PL现象的主题研究；因此，目前没有关于PL先验概率的成熟数据表。先验概率的计算结合了联合概率的计算逻辑，以及高、中等和低概率的比率和节点，使用COUNTIFS（指标数据集，“>3”）/COUNTA（指标联合数据集的频率数据集）。似然概率是通过结合高、中和低概率的比率和节点使用COUNTIFS（指标数据集，“>3”）/COUNTA（6个指标类别的联合数据集的频率数据集）来计算的。边际概率的计算包括（先验概率*似然概率）+[(1—先验概率)*逆概率]。特别注意的是，BN的收敛性检查使用了Rhat（Gelman-Rubin诊断）来设置因果结构（X1→X2, X3, X4; X5→X6, X7, X8），以衡量链间的差异，Rhat值接近1（<1.1）表示链间已达到收敛。第二阶段的计算和结果验证分别由相应作者和第一作者完成。2.4.3 风险权重数据处理的第三阶段涉及风险权重的计算（图4C），该权重被纳入熵降低算法框架中。使用熵降低方程2和后验概率算法（15）计算HF的RP（发病率），并对HF进行排序。这是一个关于整个熵降低过程的详细说明。在计算之前，BNPA数据集（EXCEL表格）经过了转置、归一化[方程MMULT()]、标准化[方程MUNIT()]和可逆性[方程MMULT()]等六个步骤的处理，以实现分箱/离散化和MI的偏差校正。在熵降低过程中，第一步通过结合数据集的最大值和最小值之差来计算后验概率作为分箱截距[方程：Difference = MAX()-MIX()]，然后计算数据集中每个值的概率[方程：Probability = Value/Difference]；第二步将数据集按每个变量的列进行转置；第三步计算方程2中的lnpij部分（公式：IF[Unit value = 0, 0, Cell value * LN(Cell value)】；第四步，计算调节系数[方程：1/LN()]；第五步，计算熵值Ej（方程2）；第六步，计算权重wj = gj/Σgj。第三阶段的计算和结果验证分别由相应作者和第二作者完成。2.4.4 敏感性值数据计算的第四阶段是敏感值的计算（图4D），该值被纳入互信息算法框架中。使用互信息方程3（15）计算HF的敏感性值，以评估HF的活动（序列）。敏感性值越高，表示HF活动越强，需要密切关注/加强/分析。这是一个关于整个互信息过程的详细说明。在计算互信息的过程中，第一步使用R语言中的Jamovi工具（infotheo）设置分箱规则（全因子X1-X8，方程3），并量化变量之间的条件概率表（CPTs）；第二步根据CPTs计算敏感性值，并基于HFRPAM中HF的隶属关系，X2-4是X1的子指标，X6-8是X5的子指标，这些被纳入平均值计算中。第四阶段的计算和结果验证分别由相应作者和第三作者完成。2.4.5 优化指数数据计算的第五阶段涉及优化指数计算（图4E）。通过结合安全管理文献中的效率-彻底性权衡（ETTO）原则（45），本研究确定了综合指数方程4（31, 40），计算了HF的优化（综合）指数，并评估了HF的优化路径。优化（综合）指数越高，HF的优化路径的价值就越高，应该优先选择该路径。整个ETTO/优化指数的指定和计算细节已在文中详细说明。基于互信息计算，第一步中，ETTO/优化指数的指定将敏感度值和风险权重的总和作为标准，使用公式4来计算优化指数；第二步，根据优化指数的数值大小，对所有原因系统（所有风险因素/指标）进行排序（从第一到第八）；第三步，基于活跃序列的结果，设置优化路径（解释其稳健性），并根据HFRPAM的属性确定HF的隐藏特征。第五阶段的计算步骤由相应作者完成，之后研究团队合作分析和解释数据计算结果。
3 结果
3.1 样本数据
3.1.1 跨文化验证
2025年1月，选取了专家组的样本。第一轮问卷发放给了12位受访者，共回收了12份问卷，回收率为100%；经过整理和计算，问卷的半开放式部分没有任何项目被填写，这表明专家组认可了改编后的问卷的英汉互译结果，适合进一步研究。第二轮问卷发放给了10位受访者，回收了10份问卷，回收率同样为100%。第三轮问卷发放给了62位专家，全部回收，回收率也为100%。
3.1.2 人口统计信息
问卷中收集的人口统计信息如下表所示。
表2
项目 数量 百分比
性别 女性 37 59.68%
服务年限 3年或以下 12 19.35%
男性 25 40.32%
4-5年 27 43.55%
60岁及以上 12 19.35%
6-41岁 23 37.10%
职业 高级 26 41.94%
31-40岁 24 38.71%
25-30岁 34 8.44%
初级 9 14.52%
角色 政策专家 21 33.87%
研究 哲学 17 27.42%
教育专家 21 33.87%
教学（培训） 18 29.03%
体育文化 16 25.81%
学术 学士以下 11 17.74%
安全教育 11 17.74%
博士学位 23 37.10%
专家的描述性统计信息。
备注：总人数N=62；每个项目数量N；百分比%；STE，体育培训专家。
(1) 性别：62名受访者中，37名为女性（59.68%），25名为男性（40.32%）。
(2) 年龄：60岁及以上12人（19.35%），41-59岁23人（37.10%），31-40岁24人（37.81%），25-30岁34人（4.84%）。
(3) 职业：政策专家21人（33.87%），教育专家21人（33.87%），体育培训专家20人（32.26%）。
(4) 学历：学士及以下11人（17.74%），硕士28人（45.16%），博士23人（37.10%）。
(5) 服务年限：3年或以下12人（19.35%），4-5年27人（43.55%），6年及以上22人（37.10%）。
(6) 职业水平：高级26人（41.19%），中级27人（43.55%），初级及以下9人（14.52%）。
(7) 研究方向：体育哲学（历史）17人（27.42%），体育教学（培训）18人（29.03%），体育文化16人（25.81%），安全教育11人（17.74%）。
3.1.3 信度测试
问卷的Cronbach's alpha系数为0.84（>0.7），表明问卷内容的一致性稳定且可接受。问卷的内容效度结果也符合标准，I-CVI为0.83（≧0.8），S-CVI为0.94（≧0.9）。
问卷的重测信度结果也符合要求，ICC在0.63到0.84之间（≧0.5），所有项目均显著（p<0.001）。
ICC模型的正态性分布总体可接受，包含496个数据（496=62*8），平均值为2.96，标准差为1。Kolmogorov–Smirnov检验的峰度绝对值为1.33（<10），偏度绝对值为0.07（<3）。
3.1.4 内部一致性
8个HF的均值在1.79到3.90之间，其中X7（自我表达与他人的沟通）为3.90（最高，最高可能风险），X6（自我意识与自我效能）为1.79（最低，最低可能风险）；标准差在0.90到1.59之间。
Gelman-Rubin Diagnostics的Rhat收敛性检验结果显示，Rhat值（点估计1.024，上置信区间1.071）接近1（<1.1），表明各序列之间已达到收敛。
3.1.5 结构效度
通过探索性因子分析和验证性因子分析计算了PPLI结构模型的主成分分析（见表3）。
表3
(A) 主观幸福感的主因子分析
| Factor | F1 | F2 | F3 | F4 | F5 | F6 | C(h2) | CITC | SAPL |
|-----------|------|------|------|------|------|-------|------|
| PL01 | 0.49 | 0.49 | 0.36 | 0.31 | 0.35 | 0.94 | 0.96 |
| PL02 | 0.21 | 0.24 | 0.14 | 0.10 | 0.81 | 0.56 | 0.93 |
| PL03 | 0.33 | 0.29 | -0.05 | 0.31 | 0.69 | 0.03 | 0.78 |
| PL04 | 0.44 | 0.62 | -0.06 | 0.19 | 0.22 | 0.73 | 0.69 |
| PL05 | 0.32 | 0.26 | 0.71 | 0.19 | 0.13 | 0.02 | 0.73 |
| PL06 | 0.61 | 0.21 | 0.40 | 0.11 | 0.03 | 0.28 | 0.67 |
| PL07 | 0.12 | 0.17 | -0.03 | 0.78 | 0.15 | 0.78 | 0.53 |
| PL08 | 0.42 | 0.22 | 0.39 | 0.28 | -0.17 | 0.66 | 0.62 |
| PL09 | 0.44 | 0.42 | 0.05 | 0.26 | 0.28 | 0.59 | 0.68 |
| PL10 | 0.19 | 0.65 | 0.14 | 0.38 | 0.12 | 0.66 | 0.65 |
| PL11 | 0.33 | 0.73 | 0.01 | 0.24 | 0.09 | 0.76 | 0.93 |
| PL12 | 0.59 | 0.09 | 0.06 | 0.28 | 0.20 | 0.47 | 0.69 |
| PL13 | -0.01 | 0.37 | 0.23 | 0.63 | 0.02 | 0.72 | 0.56 |
| PL14 | -0.01 | 0.62 | 0.19 | 0.41 | 0.36 | 0.74 | 0.58 |
| PL15 | -0.02 | 0.63 | 0.47 | -0.09 | 0.13 | 0.71 | 0.53 |
| PL16 | 0.51 | 0.28 | 0.38 | 0.08 | 0.16 | 0.54 | 0.63 |
| PL17 | 0.83 | 0.19 | 0.11 | 0.09 | 0.18 | 0.03 | 0.79 |
| PL18 | 0.21 | 0.11 | 0.16 | 0.86 | 0.14 | 0.11 | 0.85 |
| KMO | 0.89 | BT | 0.00 | C% | 72.96 |
(B) 验证性因子分析
| Index | χ2/df | RMSEA | SRMR | CFI | TLI | PNFI |
|-----------|------|------|------|------|------|
| <3.00 | <0.10 | <0.01 | >0.95 | >0.95 | >0.50 |
| 值 | 1.05 | 0.03 | 0.06 | 0.99 | 0.99 |
探索性因子分析和验证性因子分析显示，CITC（校正后的项目-总相关性）为0.89，KMO（Kaiser–Meyer–Olkin）为0.89，Bartlett’s测试结果为0.00（p≤0.05），相关矩阵的可因子性为0.14–0.81（r≥0.13），累计解释方差为72.96%。WHOWBI-5的验证性因子分析表明模型拟合良好，所有项目的因子载荷在0.51–1.00之间（>0.4），X2/df为1.05（<3），RMSEA为0.06（<0.1），PNFI为0.56（≧0.5），CFI为0.99（>0.95）。相关矩阵的因子载荷范围在0.14到0.81之间（r≥0.13），低于多维尺度的典型阈值0.4；然而，模型仍表现出良好的拟合度。这符合本研究的探索性质，表明观众对PL的心理结构特征可能与HF有关。更明确地说，观众的PPLI结构模型可能不足以支持一个清晰稳定的六维模型；但在HF的影响下，HFRPAM的新结构模型可能展现出六维结构。
3.2 风险水平
根据BNPA的计算结果（见图5），HFRPAM的所有原因结构中的风险水平（研究目标1）具有高相关性（≥4），中等风险水平为0.4803（0.40< />
图5 hfrpam所有原因结构中二次和三次指标的高相关性（≥4）的风险水平结果：cs(x1)核心阶段的风险水平为0.9838（0.81≤p≤1.0），是最高的；es01(x6)的自我意识和自信风险水平为0.3243（p≤0.4），是最低的。
3.3 风险权重
基于熵减少公式2，依次评估pl结构模型中hf的风险权重（研究目标2）（见表4）。
表4
主要人类因素 次要人类因素 风险权重
编码 结构因素 编码 序列/%
核心阶段 cs(x1) 12.82 1 |
动机 cs01 4 12.48 2 |
信心与身体能力 cs02 2 12.54 |
与环境的互动 es(x5) 5 12.46 |
自我意识与自信 es01 5 12.46 |
自我表达与他人的沟通 es02 5 12.46 |
知识与理解 es03 8 12.25 |
使用熵减少算法的人类因素风险权重序列。
备注：1-8为所有原因结构的风险权重序列/排名。
需要坦率指出，这个风险权重计算的结果是基于单个hf的rp得出的。在所有原因结构下，所有hf中风险权重最高的是cs(x1)核心阶段，为12.82%；最低的是es03(x8)知识与理解，为12.25%。
这个结果表明，在全因子框架下，各因素的风险权重仅有微小差异。这可能是因为本研究受众是专家，而且这可能与熵加权方法在实践应用中的关键现象有关：当各个指标的观察值（专家对pl的hf评估）在不同样本间变化不大时（即数据分散度低），信息熵接近其最大值，导致计算出的权重趋于平均值。
3.4 敏感度值
基于互信息公式3，使用敏感度值评估hfrpam的hf（研究目标3）（见表5）。
表5
(a) 协同效应的敏感度值
| 代码 | x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 |
|-----------|------|------|------|------|------|------|
| na | 0.0249 | 0.1648 | 0.1098 | 0.1098 | 0.1134 | 0.0057 | 0.0249 |
| x2 | 0.0249 | na | 0.2839 | 0.4798 | 0.2693 | 0.1304 | 0.1098 | 0.1844 |
| x3 | 0.1648 | 0.2839 | na | 0.0854 | 0.3174 | 0.0936 | 0.1514 | 0.2839 |
| x4 | 0.1098 | 0.4798 | 0.0854 | 0.3688 | 0.1993 | 0.0964 | 0.1450 |
| x5 | 0.1098 | 0.2693 | 0.3174 | 0.4501 | na | 0.3688 | 0.0964 | 0.1450 |
| x6 | 0.1134 | 0.1304 | 0.0936 | 0.3688 | na | 0.1450 | 0.5567 |
| x7 | 0.0057 | 0.1098 | 0.1514 | 0.2327 | 0.0964 | 0.1993 | na |
| x8 | 0.0249 | 0.2200 | 0.3900 | 0.4300 | -0.17 | 0.66 | 0.62 |
| x9 | 0.4400 | 0.4200 | 0.0500 | 0. 图5 hfrpam所有原因结构中二次和三次指标的高相关性（≥4）的风险水平结果：cs(x1)核心阶段的风险水平为0.9838（0.81≤p≤1.0），是最高的；es01(x6)的自我意识和自信风险水平为0.3243（p≤0.4），是最低的。 3.3 风险权重 基于熵减少公式2，依次评估pl结构模型中hf的风险权重（研究目标2）（见表4）。 表4 主要人类因素 次要人类因素 风险权重 编码 结构因素 编码 序列 % 核心阶段 cs(x1) 12.82 1 | 动机 cs01 4 12.48 2 | 信心与身体能力 cs02 2 12.54 | 与环境的互动 es(x5) 5 12.46 | 自我意识与自信 es01 5 12.46 | 自我表达与他人的沟通 es02 5 12.46 | 知识与理解 es03 8 12.25 | 使用熵减少算法的人类因素风险权重序列。 备注：1-8为所有原因结构的风险权重序列 排名。 需要坦率指出，这个风险权重计算的结果是基于单个hf的rp得出的。在所有原因结构下，所有hf中风险权重最高的是cs(x1)核心阶段，为12.82%；最低的是es03(x8)知识与理解，为12.25%。 这个结果表明，在全因子框架下，各因素的风险权重仅有微小差异。这可能是因为本研究受众是专家，而且这可能与熵加权方法在实践应用中的关键现象有关：当各个指标的观察值（专家对pl的hf评估）在不同样本间变化不大时（即数据分散度低），信息熵接近其最大值，导致计算出的权重趋于平均值。 3.4 敏感度值 基于互信息公式3，使用敏感度值评估hfrpam的hf（研究目标3）（见表5）。 表5 (a) 协同效应的敏感度值 | 代码 | x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | |-----------|------|------|------|------|------|------| | na | 0.0249 | 0.1648 | 0.1098 | 0.1098 | 0.1134 | 0.0057 | 0.0249 | | x2 | 0.0249 | na | 0.2839 | 0.4798 | 0.2693 | 0.1304 | 0.1098 | 0.1844 | | x3 | 0.1648 | 0.2839 | na | 0.0854 | 0.3174 | 0.0936 | 0.1514 | 0.2839 | | x4 | 0.1098 | 0.4798 | 0.0854 | 0.3688 | 0.1993 | 0.0964 | 0.1450 | | x5 | 0.1098 | 0.2693 | 0.3174 | 0.4501 | na | 0.3688 | 0.0964 | 0.1450 | | x6 | 0.1134 | 0.1304 | 0.0936 | 0.3688 | na | 0.1450 | 0.5567 | | x7 | 0.0057 | 0.1098 | 0.1514 | 0.2327 | 0.0964 | 0.1993 | na | | x8 | 0.0249 | 0.2200 | 0.3900 | 0.4300 | -0.17 | 0.66 | 0.62 | | x9 | 0.4400 | 0.4200 | 0.0500 |>图5 hfrpam所有原因结构中二次和三次指标的高相关性（≥4）的风险水平结果：cs(x1)核心阶段的风险水平为0.9838（0.81≤p≤1.0），是最高的；es01(x6)的自我意识和自信风险水平为0.3243（p≤0.4），是最低的。
3.3 风险权重
基于熵减少公式2，依次评估pl结构模型中hf的风险权重（研究目标2）（见表4）。
表4
主要人类因素 次要人类因素 风险权重
编码 结构因素 编码 序列/%
核心阶段 cs(x1) 12.82 1 |
动机 cs01 4 12.48 2 |
信心与身体能力 cs02 2 12.54 |
与环境的互动 es(x5) 5 12.46 |
自我意识与自信 es01 5 12.46 |
自我表达与他人的沟通 es02 5 12.46 |
知识与理解 es03 8 12.25 |
使用熵减少算法的人类因素风险权重序列。
备注：1-8为所有原因结构的风险权重序列/排名。
需要坦率指出，这个风险权重计算的结果是基于单个hf的rp得出的。在所有原因结构下，所有hf中风险权重最高的是cs(x1)核心阶段，为12.82%；最低的是es03(x8)知识与理解，为12.25%。
这个结果表明，在全因子框架下，各因素的风险权重仅有微小差异。这可能是因为本研究受众是专家，而且这可能与熵加权方法在实践应用中的关键现象有关：当各个指标的观察值（专家对pl的hf评估）在不同样本间变化不大时（即数据分散度低），信息熵接近其最大值，导致计算出的权重趋于平均值。
3.4 敏感度值
基于互信息公式3，使用敏感度值评估hfrpam的hf（研究目标3）（见表5）。
表5
(a) 协同效应的敏感度值
| 代码 | x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 |
|-----------|------|------|------|------|------|------|
| na | 0.0249 | 0.1648 | 0.1098 | 0.1098 | 0.1134 | 0.0057 | 0.0249 |
| x2 | 0.0249 | na | 0.2839 | 0.4798 | 0.2693 | 0.1304 | 0.1098 | 0.1844 |
| x3 | 0.1648 | 0.2839 | na | 0.0854 | 0.3174 | 0.0936 | 0.1514 | 0.2839 |
| x4 | 0.1098 | 0.4798 | 0.0854 | 0.3688 | 0.1993 | 0.0964 | 0.1450 |
| x5 | 0.1098 | 0.2693 | 0.3174 | 0.4501 | na | 0.3688 | 0.0964 | 0.1450 |
| x6 | 0.1134 | 0.1304 | 0.0936 | 0.3688 | na | 0.1450 | 0.5567 |
| x7 | 0.0057 | 0.1098 | 0.1514 | 0.2327 | 0.0964 | 0.1993 | na |
| x8 | 0.0249 | 0.2200 | 0.3900 | 0.4300 | -0.17 | 0.66 | 0.62 |
| x9 | 0.4400 | 0.4200 | 0.0500 | 0.>这一发现表明，在单一框架下，风险权重大致保持一致，范围在12.25%到12.82%之间，这可能意味着“体育学习”（PL）作为一种高质量教育/包容性教育的概念已经得到了充分的多维度关注（3, 4）。作为评估感知体育学习的有效工具，“PPLI”也作为本研究中的知识转移框架（HF–感知体育学习–PA）的测量工具。本研究提出的6维度、18项的体育学习结构模型首先反映了受众（专家）对体育学习的看法，其次反映了人类因素（HF）对体育学习这一观察变量的间接影响。EFA矩阵中的因子载荷范围在0.14到0.81之间（r≥0.13），虽然低于多维量表通常的0.4阈值；然而，CFA模型的拟合度较好，表明专家小组开发的6维度、18项结构模型在体育学习对身体活动（PA）的行为认知方面可能具有相对全面或有益的特点（与体育教师（6）、教练（49）和教职员工（50）相比）。目前，这项研究无法直接证明体育学习的程度或推广情况，也无法证明HF现象在促进终身学习过程中的普遍性。但在HFRPAM的八个高风险因素中有三个表现出高度相关性，包括CS(X1)核心阶段、ES02(X7)自我表达与他人的沟通以及CS03(X4)与环境互动，这可能表明体育学习仍然是一种复杂的文化现象。尽管ES02(X7)自我表达与他人的沟通的敏感性值最低，但风险水平最高。这看似矛盾，但实际上是一个客观现象——一个独特而客观的现象。换句话说，如果ES02(X7)变量的变化很小，即使它对结果有显著影响，其实际敏感性值也会很低；然而，如果ES02(X7)变量发生变化——例如，如果突然停止与他人的沟通——后果可能非常严重（高损失概率），表明风险水平很高（15）。这进一步表明怀特海德认为“体育学习无法衡量”的观点更具体地指的是测量全因结构的复杂性（24）。因此，本研究建议进一步研究不同人群中的全因结构，以阐明体育学习概念对健康和身体活动的意义和价值。
伯恩斯坦的课程与教学关系理论认为，评估/测量的功能在于传递有价值的知识、技能和理解（6）。体育学习的发展/推广（测量）受到哲学、文化和话语权的影响（4）。ES02（X7）自我表达与他人的沟通的敏感性值最低（0.0511，5.11%），代表了最低的活动水平（研究目标3）。这似乎表明，在体育/教育领域，将体育学习作为一个新术语来促进知识、技能和理解的过程中还存在巨大的差距。CS03（X4）与环境互动的高风险水平（0.8705）进一步表明，关于体育学习这一新兴概念是对实践者有帮助还是妨碍，尚不清楚。然而，这项研究也坦诚地指出，基于全因结构的各风险权重之间的差异不大（研究目标2；最高12.82，最低12.25），这表明体育学习对个人身体活动有一定的贡献，或者体育学习的全因结构各部分被赋予了大致相同的权重。
体育学习是一个基于现象学哲学的概念，具有物理属性（身体是对象），并声称对身体活动具有促进作用（1）。体育学习是一种整体的话语/身体活动文化（4）。怀特海德认为，当人们参与身体活动时，体育学习的内在和外在核心具有互动功能（1, 42）。研究团队认为，作为整体话语，体育学习的核心阶段和外在阶段可能具有主体和对象的属性。基于优化（综合）指数的结果，研究团队讨论了体育学习结构模型的HF优化路径（研究目标4）。第一条HF优化路径包括CS03（X8）知识与理解和CS03（X4）与环境互动，主动顺序为（X8→X4），具有从客观到主观的变化特征，代表了从客观到主观阶段的优化路径。这与体育学习与体育项目之间关系的研究结果类似（51）。第二条HF优化路径包括CS02（X3）信心和身体能力以及ES01（X6）自我意识和自信心，主动顺序为（X3→X6），具有从主观到客观的变化特征，代表了从主观到客观阶段的优化路径。这与学校背景下体育学习与身体能力之间的相关性研究结果类似（52）。第三条HF优化路径包括CS01（X2）动机和CS（X1）核心阶段，主动顺序为（X2→X1），具有主观特征，代表了主观阶段的优化路径。这与传统体育促进活动全生命周期的研究结果类似（53）。第四条HF优化路径包括ES（X5）外部核心阶段和ES02（X7）自我表达与他人的沟通，主动顺序为（X5→X7），具有客观特征，代表了客观阶段的优化路径。这与不同语言和实践中体育学习的认知研究结果类似（54）。基于本研究建立的优化指数和优化路径，我们建议未来的研究在此基础上进行横断面观察和探索，使用因果模型、结构方程建模和干预研究来进一步验证HF、体育学习和身体活动之间链式结构的有效性。
优势：本研究采用定量方法探索HFRPAM中的HF特征，包括风险水平、风险权重、敏感性值和优化指数，并提出了一种优化方法。体育学习概念基于现象学哲学，身体活动行为是累积的人类学习，受整体话语/文化的影响。从HF和安全文化的角度来看，本研究通过使用连接HF、体育学习和身体活动的链式结构，为全面理解体育学习提供了有益的行为框架。局限性：使用特定人群/简单抽样方法（专家访谈）进行的定量验证研究存在一定的局限性。使用单因素方法（构念适应）分析HF限制了同时考虑多个因素的能力，导致逻辑上的局限性。仅计算了HFRPAM的维度结构，而没有考虑相对离散的依赖关系。如果同时计算和分析项目的HF结构，并结合阈值任意性，结果可能会有所不同。本研究假设其发现与高质量体育领域的专家相关，包括政策专家、教育专家和体育训练专家；然而，它没有提供分层分析（按角色分类）或因果模型的直接结果。对于基于熵和互信息的贝叶斯网络，62名受访者的样本量是不够的；如果要从结构模型的网络结构中得出因果推理，需要更大的样本量。
结论：作为一项探索性研究，本研究提出的定量HFRPAM计算方法可以作为当前感知身体活动结构模型的知识转化，为HF在身体活动背景下的科学有效性提供了有益的行为框架。当前体育学习感知结构模型的RP特征包括风险水平、风险权重、敏感性值和优化指数，同时提供了一种基于高质量教育标准的优化路径策略，以促进体育活动。从文化安全的角度来看，本研究提出的潜在有益行为框架可能是将体育学习视为人类因素的结果。通过将HF视为评估身体健康的前提或潜在因素，这种方法通过对动机和环境之间互动的深入分析，为安全文化提供了有价值的补充。它有助于避免简单地将问题归因于“人为错误”，并实现更科学的行为评估。在本研究中，基于HFRPAM全因结构的风险分类结果可以作为各国实施公共卫生政策的有用补充，从而有效促进身体活动。然而，通过横断面方法，研究发现HFRPAM的全因结构虽然高度相关，但风险水平并不高，而是中等风险。这反映了单一受众群体（专家）在单一时间点对体育学习的评估结果；纳入更广泛的受众类型并进行时间序列分析是进一步研究的领域。
