The 3‐Year Longitudinal Impact of Sedentary Behavior on the Academic Achievement of Secondary School Students
Notice bibliographique
Résumé
BACKGROUND: Sedentary behavior is linked to many adverse health outcomes; however, its relationship with academic achievement is less understood. We examined sedentary behavior's impact on academic achievement over 3 years in 4408 adolescents from the COMPASS study. METHODS: Sedentary behavior (screen-based: watching/streaming television shows/movies, video/computer games, surfing the internet; communication-based: texting/messaging/emailing, talking on the phone; and doing homework) and academic achievement (overall math and English marks) were self-reported. RESULTS: Holding time fixed, moving from the lowest quartile (Q1) to Q2, Q3, or Q4 of watching/streaming television shows/movies (Q2: OR = 0.90; 95%CI: 0.84-0.97, Q3: OR = 0.85; 95%CI: 0.74-0.98, Q4: OR = 0.74; 95%CI: 0.64-0.85) or to Q2 of surfing the internet (Q2: OR = 0.87; 95%CI: 0.78-0.97) decreased the likelihood of surpassing English standards. Moving from Q1 to Q2 of communication-based sedentary behavior (OR = 0.90; 95%CI: 0.82-0.99) decreased the likelihood of surpassing math standards. Moving from Q1 to Q4 (OR = 1.31; 95%CI: 1.15-1.50) of watching/streaming television shows/movies increased the likelihood of surpassing math standards. Moving from Q1 to Q4 of doing homework (OR = 1.16; 95%CI: 1.02-1.31) increased the likelihood of surpassing English standards. CONCLUSIONS: Predicting academic achievement from total sedentary behavior is challenging. Targeting specific types of sedentary behavior should be considered for improving math and English achievement.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».