Do sex differences in reported weight loss intentions and behaviours persist across demographic characteristics and weight status in youth? A systematic review
Notice bibliographique
Résumé
BACKGROUND: Evidence suggests that young females are more likely to try to lose weight than young males, however whether this sex difference persists across demographic characteristics and weight status is unclear. Further, whether females are more likely than males to try to lose weight using unhealthy weight loss strategies has never been systematically assessed. The objective of this systematic review was to examine the literature on sex differences in weight loss intentions and strategies in children and adolescent observational studies to determine whether sex differences persisted across demographic characteristics (race/ethnicity, grade level) and weight status. METHODS: Relevant articles published after 1990 were identified using PubMED, Web of Science, and PsycInfo. Searches were conducted in May of 2015 and again in May of 2017. Studies conducted in the US and Canada with participants 18-years old or younger who measured weight loss strategies in the context of weight loss intention were selected. Descriptive statistics were extracted from 19 studies. RESULTS: Almost two-thirds of youth reported trying to lose weight. High-school and middle-school aged females reported consistently higher prevalence of weight loss intentions compared to male counterparts, as did Caucasian, African-American, and Hispanic females. The proportion of youth using unhealthy or extreme strategies reached 44 and 13%, respectively, with a similar proportion of males and females endorsing the use of each category of weight loss strategies across studies. Native-American youth reported the highest prevalence (27%) of using extreme strategies. CONCLUSIONS: Researchers should consider demographic characteristics when reporting prevalence information for weight loss intentions and behaviours, as certain groups might require more targeted public health initiatives. Across characteristics, prevalence ranges were broad for weight loss intentions and use of particular strategies, suggesting the need to standardize and refine data collection and reporting practices in this literature.
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 | 0,018 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».