Modifiable characteristics associated with sedentary behaviours among youth
Notice bibliographique
Résumé
OBJECTIVE: Childhood overweight and obesity is a major public health issue. A better understanding of factors associated with sedentary behaviours would provide valuable insight for tailoring interventions to prevent or reduce overweight among youth. METHODS: Data were collected from 25,416 grade 9 to 12 students attending 76 secondary schools in Ontario, Canada, using the Physical Activity Module of the School Health Action, Planning and Evaluation System (SHAPES). Sex specific multivariate logistic regression analyses were then used to examine how physical activity, BMI, social influences, and smoking behaviour were associated with screen time, time spent reading, and time spent on homework. RESULTS: The average screen time per day was 2.7 (+/-1.7) hours, yet 48.1% of students reported spending less than one hour reading per week and 30.2% spent less than an hour of time on homework per week. Among males, being underweight (< or = 5% percentile BMI, adjusted for age and sex) was associated with more screen time (OR 1.23, 95%CI 1.01-1.50) and time spent reading (OR 1.19, 95%CI 1.00-1.43), whereas being at risk of overweight (> or = 85% percentile BMI, adjusted for age and sex) was associated with less time spent on homework (OR 0.75, 95%CI 0.65-0.85). Conversely, among females, being at risk of overweight was associated with more screen time (OR 1.24, 95%CI 1.10-1.41), and time spent reading (OR 1.19, 95%CI 1.05-1.35). Aside from BMI, other factors associated with sedentary behaviours included physical activity, parental encouragement and support for physical activity, close friend physical activity behaviour, and smoking status. DISCUSSION: We found that students are highly involved in screen-based sedentary behaviours, but spend a limited time on more productive sedentary behaviours, like reading and homework. Developing a better understanding of sedentary behaviours is critical for preventing and reducing obesity among youth populations.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».