Assessing Dietary Outcomes in Intervention Studies: Pitfalls, Strategies, and Research Needs
Notice bibliographique
Résumé
To inform strategies to improve the dietary intakes of populations, robust evaluations of interventions are required. This paper is drawn from a workshop held at the International Society of Behavioral Nutrition and Physical Activity 2017 Annual Meeting, and highlights considerations and research priorities relevant to measuring dietary outcomes within intervention studies. Self-reported dietary data are typically relied upon in such studies, and it is recognized that these data are affected by random and systematic error. Additionally, differential error between intervention and comparison groups or pre- and post-intervention can be elicited by the intervention itself, for example, by creating greater awareness of eating or drinking occasions or the desire to appear compliant. Differential reporting can render the results of trials incorrect or inconclusive by leading to biased estimates and reduced statistical power. The development of strategies to address intervention-related biases requires developing a better understanding of the situations and population groups in which interventions are likely to elicit differential reporting and the extent of the bias. Also needed are efforts to expand the feasibility and applications of biomarkers to address intervention-related biases. In the meantime, researchers are encouraged to consider the potential for differential biases in dietary reporting in a given study, to choose tools carefully and take steps to minimize and/or measure factors such as social desirability biases that might contribute to differential reporting, and to consider the implications of differential reporting for study results.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».