International children's accelerometry database (ICAD): Design and methods
Notice bibliographique
Résumé
BACKGROUND: Over the past decade, accelerometers have increased in popularity as an objective measure of physical activity in free-living individuals. Evidence suggests that objective measures, rather than subjective tools such as questionnaires, are more likely to detect associations between physical activity and health in children. To date, a number of studies of children and adolescents across diverse cultures around the globe have collected accelerometer measures of physical activity accompanied by a broad range of predictor variables and associated health outcomes. The International Children's Accelerometry Database (ICAD) project pooled and reduced raw accelerometer data using standardized methods to create comparable outcome variables across studies. Such data pooling has the potential to improve our knowledge regarding the strength of relationships between physical activity and health. This manuscript describes the contributing studies, outlines the standardized methods used to process the accelerometer data and provides the initial questions which will be addressed using this novel data repository. METHODS: Between September 2008 and May 2010 46,131 raw Actigraph data files and accompanying anthropometric, demographic and health data collected on children (aged 3-18 years) were obtained from 20 studies worldwide and data was reduced using standardized analytical methods. RESULTS: When using ≥ 8, ≥ 10 and ≥ 12 hrs of wear per day as a criterion, 96%, 93.5% and 86.2% of the males, respectively, and 96.3%, 93.7% and 86% of the females, respectively, had at least one valid day of data. CONCLUSIONS: Pooling raw accelerometer data and accompanying phenotypic data from a number of studies has the potential to: a) increase statistical power due to a large sample size, b) create a more heterogeneous and potentially more representative sample, c) standardize and optimize the analytical methods used in the generation of outcome variables, and d) provide a means to study the causes of inter-study variability in physical activity. Methodological challenges include inflated variability in accelerometry measurements and the wide variation in tools and methods used to collect non-accelerometer data.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».