Accuracy of Sedentary Behavior–Triggered Ecological Momentary Assessment for Collecting Contextual Information: Development and Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Sedentary behavior has received much attention in the scientific community over the past decade. There is growing evidence that sedentary behavior is negatively associated with physical and mental health. However, an in-depth understanding of the social and environmental context of sedentary behavior is missing. Information about sedentary behavior, such as how everyday sedentary behavior occurs throughout the day (eg, number and length of sedentary bouts), where, when, and with whom it takes place, and what people are doing while being sedentary, is useful to inform the development of interventions aimed at reducing sedentary time. However, examining everyday sedentary behavior requires specific methods. OBJECTIVE: The purpose of this paper is (1) to introduce sedentary behavior-triggered Ecological Momentary Assessment (EMA) as a methodological advancement in the field of sedentary behavior research and (2) to examine the accuracy of sedentary behavior-triggered EMA in 3 different studies in healthy adults. Moreover, we compare the accuracy of sedentary behavior-triggered EMA to simulations of random-trigger designs. METHODS: Sedentary behavior-triggered EMA comprises a continuous assessment of sedentary behavior via accelerometers and repeated contextual assessments via electronic diaries (ie, an application on a smartphone). More specifically, the accelerometer analyzes and transfers data regarding body position (a sitting or lying position, or an upright position) via Bluetooth Low Energy (BLE) to a smartphone in real time and triggers the deployment of questionnaires. Each time a participant spends a specified time (eg, 20 minutes) in a sedentary position, the e-diary triggers contextual assessments. To test the accuracy of this method, we calculated a percentage score for all triggered prompts in relation to the total number of bouts that could trigger a prompt. RESULTS: Based on the accelerometer recordings, 29.3% (5062/17278) of all sedentary bouts were classified as moderate-to-long (20-40 minutes) and long bouts (≥ 41 minutes). On average, the accuracy by participant was 82.77% (3339/4034; SD 21.01%, range 71.00-88.22%) on the study level. Compared to simulations of random prompts (every 120 minutes), the number of triggered prompts was up to 47.9% (n=704) higher through the sedentary behavior-triggered EMA approach. Nearly 40% (799/2001) of all prolonged sedentary bouts (≥ 20 minutes) occurred during work, and in 57% (1140/2001) of all bouts, the participants were not alone. CONCLUSIONS: Sedentary behavior-triggered EMA is an accurate method for collecting contextual information on sedentary behavior in daily life. Given the growing interest in sedentary behavior research, this sophisticated approach offers a real advancement as it can be used to collect social and environmental contextual information or to unravel dynamic associations. Furthermore, it can be modified to develop sedentary behavior-triggered mHealth interventions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».