Physical activity and inactivity profiling: the next generationThis article is part of a supplement entitled <i>Advancing physical activity measurement and guidelines in Canada: a scientific review and evidence-based foundation for the future of Canadian physical activity guidelines</i> co-published by <i>Applied Physiology, Nutrition, and Metabolism</i> and the <i>Canadian Journal of Public Health</i>. It may be cited as Appl. Physiol. Nutr. Metab. 32(Suppl. 2E) or as Can. J. Public Health 98(Suppl. 2).
Notice bibliographique
Résumé
The accurate measurement of habitual physical activity is fundamental to the study of the relationship between physical activity and health. However, many physical activity measurement techniques produce variables accurate to only the day level, such as total energy expenditure via self-report questionnaire, pedometer step counts, or accelerometer measurements of minutes of moderate to vigorous physical activity. Monitoring technologies providing more detailed information on physical activity and inactivity behaviour can now be used to explore the relationships between health and movement frequency, intensity, and duration more comprehensively. This paper explores the activity–inactivity profile that can be acquired through objective monitoring, with a focus on accelerometry. Using previously collected objective data, a detailed physical activity profile is presented and case study examples of data utilization and interpretation are provided. The rich detail captured through comprehensive profiling creates new surveillance and study possibilities and could possibly inform new physical activity guidelines. Data are presented in various formats to demonstrate the dangers of misinterpretation when monitoring population adherence to Canada’s physical activity guidelines. Recommendations for physical activity–inactivity profiling are provided and future research needs identified.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».