MétaCan
Menu
← Retour à la cohorte
Enregistrement W2949995246 · doi:10.82308/6726

Identification of successful goal setting strategies for management of childhood obesity: results from a family- centered lifestyle intervention in children 6 to 12 years of age

2015· article· en· W2949995246 sur OpenAlexfundaboutno aff
Sarah‐Eve Loiselle

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2015
Typearticle
Langueen
DomainePsychology
ThématiqueBehavioral Health and Interventions
Établissements canadiensnon disponible
Organismes subventionnairesDairy Farmers of CanadaNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsMcGill University
Mots-clésPsychological interventionTheory of planned behaviorOverweightChildhood obesityObesityBody mass indexGerontologyClinical nutritionGoal settingMedicineBehavior changeIntervention (counseling)PsychologyControl (management)Social psychologyNursingInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Childhood obesity has grown to epidemic proportions worldwide over the past few decades. Lifestyle interventions in childhood obesity using goal setting have shown promising results. SMART goals are Specific, Measurable, Attainable, Realistic and Timely. Objectives: This study determined if using SMART goals in a family-based lifestyle intervention was linked to reduction in adiposity and defined the nature of SMART goals that were linked to success using the constructs from the Theory of Planned Behavior (TPB) and the Ecological Model (EM). Methodology: Healthy overweight and obese children (n=100) from the McGill Youth Lifestyle Intervention with Food and Exercise Study (clinicaltrials.gov, NCT01290016) were randomized to either intervention group (INT) or control (CTL). INT received 5 SMART-based interventions with a dietitian over 6 mo. Height and weight were measured to compute body mass index-for-age z-scores (BAZ). SMART goals were classified using the TPB (attitude, subjective norm, perceived behavioral control) and the EM (individual, family). Groups were divided into “successful” (SUC) if BAZ maintained/decreased or “unsuccessful” (UNS) if BAZ increased over 6 mo. Differences among groups were tested using mixed model ANOVA and relationships between BAZ and SMART goals using Pearson’s correlations. Results: INT was 75% successful (-0.29 ± 0.22 BAZ) and 25% unsuccessful (0.29 ± 0.27 BAZ) (p<0.001). The SMART goals analysis revealed that the percentage of goals classified as subjective norm from TPB was higher in INT-SUC compared to INT-UNS (66.4 ± 15.1 % vs 57.5 ± 13.6 %, p=0.036). In INT overall, SMART goals classified as subjective norm were inversely correlated with BAZ change (r=-0.39, p=0.007). Additionally, when SMART goals were targeting the family as opposed to the individual (child), a pattern of success was observed through an inverse correlation with BAZ change (r=-0.28, p=0.055). Conclusion: We found that family-centered lifestyle interventions using SMART goals resulted in a greater proportion of successful participants compared to control. SMART goals that addressed the subjective norm concept from the TPB were correlated with favorable changes in BAZ after 6 mo. Subjective norm refers to the social pressure to perform a behavior, transmitted by those that influence an individual’s decisions. In other words, SMART goals targeting recommendations (norms) were more often associated with success. Involvement of the family also seems to have an important role to play in successful lifestyle interventions for childhood obesity.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,040
Tête enseignante GPT0,327
Écart entre enseignants0,287 · 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'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

Citations0
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)→Même sujetBehavioral Health and Interventions→Travaux en français237 207→