Adults' physical activity patterns across life domains: Cluster analysis with replication.
Notice bibliographique
Résumé
OBJECTIVE: Identifying adults' physical activity patterns across multiple life domains could inform the design of interventions and policies. DESIGN: Cluster analysis was conducted with adults in two U.S. regions (Baltimore/Washington, DC, n = 702; Seattle, WA [King County], n = 987) to identify different physical activity patterns based on adults' reported physical activity across four life domains: leisure, occupation, transport, and home. Objectively measured physical activity, and psychosocial and built (physical) environment characteristics of activity patterns were examined. MAIN OUTCOME MEASURES: Accelerometer-measured activity, reported domain-specific activity, psychosocial characteristics, built environment, body mass index. RESULTS: Three clusters replicated (κ = .90-.93) across both regions: Low Activity, Active Leisure, and Active Job. The Low Activity and Active Leisure adults were demographically similar, but Active Leisure adults had the highest psychosocial and built environment support for activity, highest accelerometer-measured activity, and lowest body mass index. Compared to the other clusters, the Active Job cluster had lower socioeconomic status and intermediate accelerometer-measured activity. CONCLUSION: Adults can be clustered into groups based on their patterns of accumulating physical activity across life domains. Differences in psychosocial and built environment support between the identified clusters suggest that tailored interventions for different subgroups may be beneficial.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».