Intensity-Specific Leisure-Time Physical Activity and The Built Environment Among Brazilian Adults: A Best-Fit Model
Notice bibliographique
Résumé
BACKGROUND: There is little understanding about which sets of environmental features could simultaneously predict intensity-specific leisure-time physical activity (LTPA) among Brazilians. The objectives were to identify the environmental correlates for intensity-specific LTPA, and to build the best-fit linear models to predict intensity-specific LTPA among adults of Curitiba, Brazil. METHODS: Cross sectional study in Curitiba, Brazil (2009, n = 1461). The International Physical Activity Questionnaire and Abbreviated Neighborhood Environment Assessment Scale were used. Ninety-two perceived environment variables were categorized in 10 domains. LTPA was classified as walking for leisure (LWLK), moderate-intensity leisure-time PA (MLPA), vigorous-intensity leisure-time PA (VLPA), and moderate-to-vigorous intensity leisure-time PA (MVLPA). Best fitting linear predictive models were built. RESULTS: Forty environmental variables were correlated to at least 1 LTPA outcome. The variability explained by the 4 best-fit models ranged from 17% (MLPA) to 46% (MVLPA). All models contained recreation areas and aesthetics variables; none included residential density predictors. At least 1 neighborhood satisfaction variable was present in each of the intensity-specific models, but not for overall MVLPA. CONCLUSIONS: This study demonstrates the simultaneous effect of sets of perceived environmental features on intensity-specific LTPA among Brazilian adults. The differences found compared with high-income countries suggest caution in generalizing results across settings.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».