Use of the Automated Self‐administered 24‐hour Recall (ASA24) in the Real World
Notice bibliographique
Résumé
Objective To describe the use of NCI's ASA24 in real‐world studies. Methods Descriptive statistics were generated to summarize usage characteristics across studies using 2014 versions of ASA24. Results Since Feb. 2014, 319 studies had registered to use ASA24, 10% of which requested ASA24‐Kids. The percentages of studies using the following setup options were: 88% ‐ allowed unscheduled logins; 60% ‐ completion of recalls from midnight‐to‐midnight vs. past 24‐hrs; 73% ‐ allowed multiple vs. single logins; 68% ‐ completion time restricted to 24 vs. 32 hrs. The percentages of studies including optional questions were: 49% ‐ dietary supplements; 82% ‐ location of meals; 46% ‐whom meals were eaten with; 45% ‐ use of TV/computer/mobile phone during meals; 35% ‐ source of foods consumed. Nearly all recalls were completed after a single login; mean times to complete recalls with and without supplement questions was 32 and 23 minutes, respectively. Mean number of foods and beverages reported/day was 13. Mean and median number of participants/study was 509 and 72, respectively (range: 1‐100,000); mean and median number of recalls per participant was 8 and 3, respectively (range 1‐335). Most researchers (90%) were affiliated with academic institutions or government agencies. About 37% of studies had research funding; 14% were NIH‐funded. Two‐thirds of studies are using ASA24 for epidemiologic, intervention or clinical research. Conclusion ASA24 is being used by a diversity of researchers in a variety of ways to meet their research and teaching needs. Funding : NCI.
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 | 0,039 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».