MétaCan
Menu
Retour à la cohorte
Enregistrement W2918897085 · doi:10.3390/jcm8030295

Effectiveness of Approaches to Increase Physical Activity Behavior to Prevent Chronic Disease in Adults: A Brief Commentary

2019· article· en· W2918897085 sur OpenAlexafffund
Juliano Schwartz, Ryan E. Rhodes, Shannon S. D. Bredin, Paul Oh, Darren E. R. Warburton

Notice bibliographique

RevueJournal of Clinical Medicine · 2019
Typearticle
Langueen
DomaineMedicine
ThématiquePhysical Activity and Health
Établissements canadiensToronto Rehabilitation InstituteUniversity of VictoriaUniversity Health NetworkUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health ResearchCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésMedicinePhysical activityChronic diseaseBehavior changeDiseaseRisk analysis (engineering)GerontologyIntensive care medicinePhysical therapy

Résumé

récupéré en direct d'OpenAlex

Effective behavior change approaches are necessary to help individuals avoid or mitigate risk factors, engage in behavioral patterns that lead to better health, and consequently, prevent several chronic diseases. Physical inactivity is considered one of the most harmful risk factors for chronic medical conditions, and although different strategies are used to tackle this behavior, not all of them lead to the expected or desired results. This brief commentary examines recent approaches aimed at physical activity behavior change. We find that a combination of strategies focusing on streamlining the access to physical activity seems to be more effective than individual approaches, in order to increase physical activity engagement to prevent chronic diseases in adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,332
Score d'incertitude au seuil0,546

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,119
Tête enseignante GPT0,440
Écart entre enseignants0,322 · 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 tête enseignante, 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

Citations47
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical MedicineMême sujetPhysical Activity and HealthTravaux en français237 207