MétaCan
Menu
Retour à la cohorte
Enregistrement W2037487990 · doi:10.1097/mss.0b013e318150d42e

Large-Scale Applications of Accelerometers

2007· letter· en· W2037487990 sur OpenAlexaboutno aff
Richard P. Troiano

Notice bibliographique

RevueMedicine & Science in Sports & Exercise · 2007
Typeletter
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAccelerometerScale (ratio)PopulationPhysical activityPerspective (graphical)PsychologyApplied psychologyMedicineGerontologyEnvironmental healthGeographyComputer sciencePhysical therapyCartographyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The study by Hagstromer et al. (2) in this issue of Medicine & Science in Sports & Exercise® is a recent example of the growing number of large-scale applications of accelerometers to measure physical activity. Since the late 1990s, publications of studies with accelerometer measurements have transitioned from describing data collected on tens of subjects to hundreds and now describe results from thousands of participants. The earliest large applications focused on youths. Examples include reports from the European Youth Heart Study (1), the Trial of Activity for Adolescent Girls (6), and the Avon Longitudinal Study of Parents and Children (4). Objective assessments of physical activity on large samples of adults and population-based samples are rarer, but more are coming soon. Objective data on physical activity have been collected on thousands of individuals from nationally representative samples in the United States (3), and are currently being collected in Canada (9). Objective data from population samples provide a new perspective and raise new questions. Hagstromer et al. (2) note that the amount of physical activity determined with an accelerometer was dramatically lower than that based on self-reports. Concern about the accuracy of self-reports is not new (7). However, the validity studies summarized by Sallis and Saelens (7) were relatively small. Accumulating information from large studies with accelerometers allows comparison with population estimates based on self-reports. Whereas self-report data tend to estimate approximately 23-44% European population adherence (8) to the current physical activity recommendations (5), accelerometer data suggest the figure may be less than 5% if sustained bouts of activity are necessary to meet the criterion (2). If self-report data dramatically overestimate levels of activity and accelerometer data reflect something closer to behavioral reality, physical activity researchers may need to revisit some foundations of current recommendations. The multiple benefits of physical activity are well established, but the epidemiological relationships and the resulting physical activity recommendations (5) rely heavily on self-reports. The observed differences between self-report and objective data raise questions about recommended duration, intensity, and need for bouts of physical activity. If overreporting is due to inflated estimates of activity duration, might it be possible that less than 30 min of moderate activity, as measured by accelerometer, conveys health effects associated with a self-report of 30 or more minutes? If intensity is misclassified by reporting lower intensity activity as moderate or greater intensity, might activity of less than 3.0 METs convey benefits that have been associated with reports of moderate intensity activity? Although focusing on bouts may aid recall of activity, are objectively measured bouts of 8-10 min required for health benefits? Insights into these questions may be possible from the cross-sectional population data now available (3), but real progress will depend upon integration of objective measures in prospective studies. Recent applications of accelerometers in population studies suggest that this progress is feasible. Richard P. Troiano National Cancer Institute Bethesda, MD

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,183
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,334
Écart entre enseignants0,301 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations183
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedicine & Science in Sports & ExerciseMême sujetPhysical Activity and HealthTravaux en français237 207