Prevalence and socio-demographic correlates of physical activity levels among South African adults in Cape Town and Mount Frere communities in 2008-2009
Notice bibliographique
Résumé
Physical activity has been linked to reduced risk of various cardiometabolic disease, cancer, and premature mortality. We investigated the prevalence and socio-demographic correlates of physical activity among adults in urban and rural communities in South Africa. Methods: This was a cross-sectional survey comprising 1733 adults aged ≥35 years from the Cape Town (urban) and Mount Frere (rural) sites of the Prospective Urban Rural Epidemiology study. Physical activity was assessed using the validated International Physical Activity Questionnaire. Multinomial logistic regressions were used to relate physical activity with socio-demographic characteristics. Overall, 74% of participants engaged in moderate-to-vigorous physical activity. In the adjusted regression models, women were 34% less likely to engage in vigorous physical activity (OR =0.66, 95%-CI = 0.47-0.93). Physical activity decreased with age, varied with marital status, education and occupation, always in differential ways between urban and rural participants (all interactions p ≤ 0.047). For instance, in urban settings, those with secondary education were more likely to engage in moderate physical activity (OR = 2.06, 95%-CI = 1.08-3.92) than those with tertiary education. Single people were more likely to engage in high physical activity (OR = 2.10, 95%-CI = 1.03-4.28) than divorced. Overall, skilled participants were more likely to engage in vigorous physical activity (OR = 2.07, 95%-CI = 1.41-3.05) driven by significant effect in rural area (OR = 2.70, 95%-CI = 1.51-4.83). Urban participants were more likely to engage in moderate physical activity (OR = 1.67, 95%-CI = 1.31-2.13) than rural participants. To prevent chronic diseases among South Africans, attention should be paid to specific policies and interventions aimed at promoting PA among young adults in rural and urban setting, and across the social-economic diversity.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».