Diet App Use by Sports Dietitians: A Survey in Five Countries
Notice bibliographique
Résumé
BACKGROUND: Despite the hundreds of diet apps available for use on smartphones (mobile phones), no studies have examined their use as tools for dietary assessment and tracking in sports nutrition. OBJECTIVE: The aim is to examine the prevalence and perceptions of using smartphone diet apps for dietary assessment and tracking among sports dietitians. METHODS: A cross-sectional online survey to examine the use and perception of diet apps was developed and distributed to sports dietitians in Australia, Canada, New Zealand, the United Kingdom, and the United States (US). RESULTS: The overall response rate from the 1709 sports dietitians invited to participate was 10.3% (n=180). diet apps were used by 32.4% (57/176) of sports dietitians to assess and track the dietary intake of athletes. Sports dietitians from the US were more likely to use smartphone diet apps than sports dietitians from other countries (OR=5.61, 95% CI 1.84-17.08, P=.002). Sports dietitians used 28 different diet apps, with 56% (32/57) choosing MyFitnessPal. Overall, sports dietitians held a positive perception of smartphone diet apps, with the majority of respondents viewing diet apps as "better" (25/53, 47%) or "equivalent" (22/53, 41%) when compared with traditional dietary assessment methods. CONCLUSIONS: Nearly one-third of sports dietitians used mobile phone diet apps in sports nutrition practice, and viewed them as useful in helping to assess and track the dietary intake of athletes.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».