Identifying risk profiles for excess sedentary behaviour in youth using individual, family and neighbourhood characteristics
Notice bibliographique
Résumé
= 294) both at 8-10 and 10-12 years of age (Visits 1 and 2, respectively), using data from the QUebec Adipose and Lifestyle InvesTigation in Youth. Excess SB was measured by accelerometry and defined as >50% of total wear time at <100 counts/minutes. Recursive partitioning analyses were performed with candidate individual-, family-, and neighbourhood-level factors assessed at Visit 1, and distinct groups at varying risk of excess SB were identified for both timepoints. From the ages of 8-10 to 10-12 years, the prevalence of excess SB more than doubled (24.5% to 57.1%). At Visit 1, excess SB was greatest (73%) among children simultaneously not meeting physical activity guidelines, reporting >2 h/day of weekday non-academic screen time, living in low-dwelling density neighbourhoods, having poor park access, and living in neighbourhoods with greater disadvantage. At Visit 2, the high-risk group (70%) was described by children simultaneously not meeting physical activity guidelines, reporting >2 h/day of non-academic screen time on weekends, and living in neighbourhoods with low disadvantage. Risk factors related to individual lifestyle behaviours are generally consistent, and neighbourhood factors generally inconsistent, as children age from late childhood to pre-adolescence. Multiple factors from developmental, behavioural and contextual domains increase risk for excess sedentary behaviour; these warrant consideration to devise effective prevention or management strategies.
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) | 0,001 | 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) | 0,000 | 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 ».