Prevalence and correlates of weight gain attempts across five countries
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence and correlates of weight gain attempts in a pooled sample of adults aged 18 and older from Canada, Australia, the United Kingdom, the United States, and Mexico. METHOD: ), weight perception, country, survey year, and sex. Logistic regression analyses were estimated to determine the sociodemographic correlates (age, race/ethnicity, education, BMI, weight perception, weight perception accuracy, and self-rated mental health) of weight gain attempts among the pooled sample stratified by sex. RESULTS: Men (10.4%) were significantly more likely than women (5.4%) to report weight gain attempts (p < .001). Nearly one in five (17.1%) men with a BMI in the "normal" range (≥18.5 to <25.0) reported weight gain attempts. Among both men and women, minority group identity was associated with higher odds, while older age and higher BMI category were associated with lower odds, of reporting weight gain attempts. Country differences over the two survey years showed the prevalence of weight gain attempts in 2019 (vs. 2018) was higher among women in Australia (p < .05) and men in the United States (p < .01). DISCUSSION: Weight gain attempts are more common among men, compared to women, across five countries, potentially reflecting the global salience of the pursuit of a muscular body.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».