Effectiveness of legume consumption for facilitating weight loss: a randomized trial
Notice bibliographique
Résumé
Legumes are rich in factors which help promote satiety, including fiber, resistant starch and protein. Observational and multi‐meal experimental studies suggest that consuming legumes may help support healthy weight; however, randomized trials are lacking. We are conducting a 6‐wk randomized trial with 6‐wk follow‐up to test whether consuming legumes facilitates weight loss and improves chronic disease risk. After baseline measurements, subjects are advised to reduce daily energy intake (EI) by 30%. About half of the target EI is provided and consumption required, while the remainder of EI is self‐selected. Subjects are randomly assigned to 1 of 3 groups: DG: the US Dietary Guideline recommendation of 3 c/wk of legumes (0.5 c/d, 6 d/wk); DRI: the amount of legumes needed to meet the Dietary Reference Intake for fiber (women 1.8 c/d, men 2.7 c/d, 6 d/wk); or control: minimal legumes. To date, 28 subjects have enrolled (goal n=66). Mean±SEM weight loss thus far was: wk 3 (−1.7±0.3 kg), wk 6 (−2.7±0.7 kg), and wk 12 (−2.5±0.8 kg) (p 0.01 for each)). At wk 3, weight loss was greater in the DG and DRI groups (−2.3±0.4 kg; −2.4±0.7 kg) vs the control group (−0.9±0.4 kg)(n=19; p=0.046). At wk 6, weight loss also differed among groups (DG: −3.4±0.9 kg; DRI: −3.9±1.4 kg; control: 1.0±1.1 kg (n=15; p=0.11–0.12 control vs DG/DRI). Consuming at least 0.5 c/d of legumes may assist with weight loss and maintenance. [Funding: Pulse Canada]
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».