Accelerometer and Survey Data on Patterns of Physical Inactivity in New York City and the United States
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Inactive lifestyles contribute to health problems and premature death and are influenced by the physical environment. The primary objective of this study was to quantify patterns of physical inactivity in New York City and the United States by combining data from surveys and accelerometers. METHODS: We used Poisson regression models and self-reported survey data on physical activity and other demographic characteristics to predict accelerometer-measured inactivity in New York City and the United States among adults aged ≥18. National data came from the 2003-2004 and 2005-2006 National Health and Nutrition Examination Surveys. New York City data came from the 2010-2011 New York City Physical Activity and Transit survey. RESULTS: Self-reported survey data indicated no significant differences in inactivity between New York City and the United States, but accelerometer data showed that 53.1% of persons nationally, compared with 23.4% in New York City, were inactive ( P < .001). New Yorkers reported a median of 139 weekly minutes of transportation activity, compared with 0 minutes nationally. Nationally, 50.0% of self-reported activity minutes came from recreation activity, compared with 17.5% in New York City. Regression models indicated differences in the association between self-reported minutes of transportation and recreation and accelerometer-measured inactivity in the 2 settings. CONCLUSIONS: The prevalence of physical inactivity was higher nationally than in New York City. The largest difference was in walking behavior indicated by self-reported transportation activity. The study demonstrated the feasibility of combining accelerometer and survey measurement and that walkable environments promote an active lifestyle.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle