MétaCan
Menu
Retour à la cohorte
Enregistrement W2946414432 · doi:10.2196/11235

Incorporating Technology Into the iCook 4-H Program, a Cooking Intervention for Adults and Children: Randomized Controlled Trial

2019· article· en· W2946414432 sur OpenAlexvenueno aff
Sarah Colby, Lauren Moret, Melissa D. Olfert, Kendra Kattelmann, Lisa Franzen‐Castle, Kristin Riggsbee, Magen Payne, Ainsley Ellington, Cary M. Springer, Chelsea Allison, Sa'Nealdra Wiggins, Rochelle Butler, Douglas Mathews, Adrienne A. White

Notice bibliographique

RevueJMIR Pediatrics and Parenting · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionCurriculumSession (web analytics)Randomized controlled trialIntervention (counseling)AnthropometryBody mass indexMedicinePhysical therapyPsychologyMealNursingPedagogyAdvertising

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Families who cook, eat, and play together have been found to have more positive health outcomes. Interventions are needed that effectively increase these health-related behaviors. Technology is often incorporated in health-related interventions but is not always independently assessed. OBJECTIVE: The objective of this study was to describe challenges and facilitators to incorporating technology into the iCook 4-H intervention program. METHODS: Dyads (n=228) composed of children (mean 9.4, SD 0.7 years old) and an adult primary meal preparer (mean 39.0, SD 8 years) were randomly assigned to a control (n=77) or treatment group (n=151). All treatment group dyads participated in 6 in-person sessions designed to increase families cooking, eating, and playing together. We incorporated Web-based between-session technological components related to the curriculum content throughout the intervention. Assessments were completed by both groups at baseline and at 4, 12, and 24 months; they included measured anthropometrics for children, and online surveys about camera and website skill and use for dyads. Session leaders and participants completed open-ended process evaluations after each session about technological components. We computed chi-square analysis for sex differences in technological variables. We tested relationships between video posting frequency and outcomes of interest (cooking frequency, self-efficacy, and skills; dietary intake; and body mass index) with Spearman correlations. Process evaluations and open-ended survey responses were thematically analyzed for beneficial and inhibiting factors, including technological components in the curriculum. RESULTS: Only 78.6% (81/103) of children and 68.3% (71/104) of adults reported always being comfortable accessing the internet postintervention. Boys reported being more comfortable than girls with technological tasks (P<.05). Children who posted more videos had a higher level of cooking skills at 4 months postintervention (r=.189, P=.05). Barriers to website usage reported most frequently by children were lack of accessibility, remembering, interactivity, motivation, time, and lack of parental encouragement. CONCLUSIONS: Incorporating technological supports, such as cameras and websites, into children's programs may help produce improved outcomes. Identifying barriers to and patterns of technology usage need to be considered when developing future child health promotion interventions. TRIAL REGISTRATION: ISRCTN Registry ISRCTN54135351; https://www.isrctn.com/ISRCTN54135351.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,007
Tête enseignante GPT0,280
Écart entre enseignants0,272 · 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'étudeEssai randomisé
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

Citations6
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Pediatrics and ParentingMême sujetObesity, Physical Activity, DietTravaux en français237 207