Physical activity self-reports: past or future?
Notice bibliographique
Résumé
The measurement of physical activity (PA) is fundamental to health-related research, practice and policy. For decades, self-report measures have provided unique insights into the role of PA for human health and society. In fact, studies, in which participants reported their behaviours—or the behaviours of others—using diaries, logs, questionnaires and recalls, have historically provided the evidence that underpins global PA guidelines.1 Self-reports have been used extensively in various settings, including population surveillance, observational and intervention studies and routine assessment as part of healthcare. The field of PA measurement is rapidly evolving. We have a wealth of measurement instruments and achieved remarkable advancements in the use of device-based information such as raw accelerometry, novel algorithms for pattern recognition and worldwide initiatives for data harmonisation.2 3 The technological evolution has changed the practice of PA self-reports as well, and led to electronic surveys and ecological momentary assessments (EMAs) for the measurement of PA in natural environments and in ‘real time’. Despite significant improvements, an established standard for the measurement of PA does not exist due to the complexity of the behaviour.4 PA is multifaceted and encompasses different domains (eg, leisure, occupation, transport, household), dimensions (eg, frequency, duration, intensity, …
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 | 0,019 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,015 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,007 |
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 ».