The Seasonal Periodicity of Healthy Contemplations About Exercise and Weight Loss: Ecological Correlational Study
Notice bibliographique
Résumé
Background: Lack of physical activity and weight gain are two of the biggest drivers of health care costs in the United States. Healthy contemplations are required before any changes in behavior, and a recent study has shown that they have underlying periodicities. Objective: The aim of this study was to examine seasonal variations in state-by-state interest in both weight loss and increasing physical activity, and how these variations were associated with geographic latitude using Google Trends search data for the United States. Methods: Internet search query data were obtained from Google Trends (2004-2016). Time series analysis (every 2 weeks) was performed to determine search volume (normalized to overall search intensity). Seasonality was determined both by the difference in search volumes between winter (December, January, and February) and summer (June, July, and August) months and by the amplitude of cosinor analysis. Results: Exercise-related searches were highest during the winter months, whereas weight loss contemplations showed a biphasic pattern (peaking in the summer and winter months). The magnitude of the seasonal difference increased with increasing latitude for both exercise (R2=.45, F1,49=40.09, beta=−.671, standard deviation [SD]=0.106, P<.001) and weight loss (R2=.24, F1,49=15.79, beta=−.494, SD=0.124, P<.001) searches. Conclusions: Healthy contemplations follow specific seasonal patterns, with the highest contemplations surrounding exercise during the winter months, and weight loss contemplations peaking during both winter and summer seasons. Knowledge of seasonal variations in passive contemplations may potentially allow for more efficient use of public health campaign resources.
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 | 0,001 |
| 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 | 0,002 | 0,001 |
| 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 ».