MétaCan
Menu
Retour à la cohorte
Enregistrement W2886603356 · doi:10.3390/nu10081032

Dietary Change during Pregnancy and Women’s Reasons for Change

2018· article· en· W2886603356 sur OpenAlexafffundabout
Laura Forbes, Jocelyn E. Graham, Casey Berglund, Rhonda C. Bell

Notice bibliographique

RevueNutrients · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueBirth, Development, and Health
Établissements canadiensUniversity of AlbertaUniversity of Guelph
Organismes subventionnairesAlberta Innovates
Mots-clésPregnancyObstetricsMedicineGynecologyBiology

Résumé

récupéré en direct d'OpenAlex

Women often make dietary changes during pregnancy; however, dietary modifications and reasons for changes are not well studied. We aimed to describe the dietary changes made during pregnancy, describe reasons for dietary changes, and determine what changes aligned with recommendations. Pregnant women (n = 379) recruited to the Alberta Pregnancy Outcomes and Nutrition (APrON) study in 2009/2010 completed a questionnaire in which they described dietary changes made during pregnancy and reasons for those changes. Changes and reasons were coded into categories. Women commonly reported increasing their intake of milk products, fruit, and sweet items and commonly decreased or eliminated intake of caffeine, alcohol, and meats. Women frequently reduced intake of foods for the baby’s health and increased foods to satisfy cravings. Changes made commonly aligned with recommendations for caffeine, alcohol intake, food safety, milk and alternatives, and fruit. Changes contrary to recommendations were common for fish and meats. The dietary changes women make during pregnancy appear to reflect women’s efforts to balance physiological changes accompanying pregnancy with the desire for healthy pregnancy outcomes. Understanding the reasons behind dietary change during pregnancy will help researchers and health professionals design effective strategies and public health messages to promote healthier pregnancies.

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)0,004
score de la tête « metaresearch » (Gemma)0,016
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,324
Écart entre enseignants0,241 · 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
GenreEmpirique

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

En bref

Citations206
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNutrientsMême sujetBirth, Development, and HealthTravaux en français237 207