Digital technology use and <scp>muscle‐building</scp> behaviors in young adults
Notice bibliographique
Résumé
OBJECTIVE: Digital technology use and muscle-building behaviors reflect a wide range of behaviors with associated health risks. However, links between digital technology use and muscle-building behaviors remain unknown and this study aimed to address this gap. METHOD: Data were collected from a diverse sample of 1,483 young adults (mean age 22.2 ± 2.0 years) participating in the population-based Eating and Activity over Time 2018 study. Gender-stratified-modified Poisson regression models were used to determine cross-sectional associations between three types of digital technology use (screen time, social media, weight-related self-monitoring apps) and five types of muscle-building behaviors (changing eating, exercise, protein powders/shakes, pre-workout drinks, steroids/growth hormone/creatine/amino acids) in young adulthood, adjusted for sociodemographic characteristics and body mass index. RESULTS: Screen time and social media were either not found to be associated with muscle-building behaviors or in a few instances, associated with less use of these behaviors (e.g., screen time and pre-workout drinks in men). In contrast, the use of weight-related self-monitoring apps was positively associated with all muscle-building behaviors, including steroids/growth hormone/creatine/amino acids in men (prevalence ratio [PR] = 1.83; 95% confidence interval [CI]: 1.13-2.97) and women (PR = 4.43; 95% CI: 1.68-11.68). DISCUSSION: While most recreational screen time may represent sedentary behaviors not related to muscle-building behaviors, weight-related self-monitoring apps are highly associated with more muscle-building behaviors and could be a future target for interventions to discourage the use of steroids and other harmful muscle-building substances.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».