MétaCan
Menu
Retour à la cohorte
Enregistrement W2802346757 · doi:10.2196/resprot.9695

Capturing Ultraviolet Radiation Exposure and Physical Activity: Feasibility Study and Comparison Between Self-Reports, Mobile Apps, Dosimeters, and Accelerometers

2018· article· en· W2802346757 sur OpenAlexvenueno aff
Elke Hacker, Caitlin Horsham, Martin Allen, Andrea Nathan, John B. Lowe, Monika Janda

Notice bibliographique

RevueJMIR Research Protocols · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueSkin Protection and Aging
Établissements canadiensnon disponible
Organismes subventionnairesCancer Council QueenslandNational Health and Medical Research CouncilMedical Research Council
Mots-clésData collectionPhysical activityAccelerometerDosimeterMedicinePsychologyPhysical therapyComputer scienceStatisticsMathematicsDosimetry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Skin cancer is the most prevalent cancer in Australia. Skin cancer prevention programs aim to reduce sun exposure and increase sun protection behaviors. Effectiveness is usually assessed through self-report. OBJECTIVE: It was the aim of this study to test the acceptance and validity of a newly developed ultraviolet radiation (UVR) exposure app, designed to reduce the data collection burden to research participants. Physical activity data was collected because a strong focus on sun avoidance may result in unhealthy reductions in physical activity. This paper provides lessons learned from collecting data from participants using paper diaries, a mobile app, dosimeters, and accelerometers for measuring end-points of UVR exposure and physical activity. METHODS: Two participant groups were recruited through social and traditional media campaigns 1) Group A-UVR Diaries and 2) Group B-Physical Activity. In Group A, nineteen participants wore an UVR dosimeter wristwatch (University of Canterbury, New Zealand) when outside for 7 days. They also recorded their sun exposure and physical activity levels using both 1) the UVR diary app and 2) a paper UVR diary. In Group B, 55 participants wore an accelerometer (Actigraph, Pensacola, FL, USA) for 14 days and completed the UVR diary app. Data from the UVR diary app were compared with UVR dosimeter wristwatch, accelerometer, and paper UVR diary data. Cohen kappa coefficient score was used to determine if there was agreement between categorical variables for different UVR data collection methods and Spearman rank correlation coefficient was used to determine agreement between continuous accelerometer data and app-collected self-report physical activity. RESULTS: The mean age of participants in Groups A (n=19) and B (n=55) was 29.3 and 25.4 years, and 63% (12/19) and 75% (41/55) were females, respectively. Self-reported sun exposure data in the UVR app correlated highly with UVR dosimetry (κ=0.83, 95% CI 0.64-1.00, P<.001). Correlation between self-reported UVR app and accelerometer-collected moderate to vigorous physical activity data was low (ρ=0.23, P=.10), while agreement for low-intensity physical activity was significantly different (ρ=-0.49, P<.001). Seventy-nine percent of participants preferred the app over the paper diary for daily self-report of UVR exposure and physical activity. CONCLUSIONS: This feasibility study highlights self-report using an UVR app can reliably collect personal UVR exposure, but further improvements are required before the app can also be used to collect physical activity 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Protocole · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,015
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,201
Tête enseignante GPT0,528
Écart entre enseignants0,326 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Research ProtocolsMême sujetSkin Protection and AgingTravaux en français237 207