Racial, Ethnic, and Nativity Disparities in Physical Activity and Sedentary Time among Cancer Prevention Study-3 Participants
Notice bibliographique
Résumé
PURPOSE: Understanding racial/ethnic and nativity disparities in physical activity (PA) is important, as certain subgroups bear a disproportionate burden of physical inactivity-related diseases. This descriptive study compared mean leisure-time moderate-to-vigorous intensity physical activity (LTMVPA) by race/ethnicity and nativity. METHODS: The Cancer Prevention Study-3 (78.1% women; age, 47.9 ± 9.7 yr) includes 4722 (1.9%) Asian/Pacific Islander; 1232 (0.5%) Black/Indigenous (non-White) Latino; 16,041 (6.5%) White Latino; 9295 (3.8%) non-Latino Black; 2623 (1.1%) Indigenous American; and 210,504 (85.7%) non-Latino White participants across the United States and Puerto Rico. Participants completed validated LTMVPA and 24-h time use surveys at enrollment (2006-2013). Differences in LTMVPA across race/ethnicity and nativity were examined by ANCOVA with paired Tukey tests adjusting for age and sex. The proportion of time spent sitting, sleeping, and on PA by race/ethnicity was also compared. RESULTS: There were significant differences in LTMVPA by race/ethnicity (race main effect, P < 0.001; nativity, P = 0.072; interaction, P < 0.001). Pairwise comparisons showed that White participants born abroad were the most active (23.8 MET-h·wk-1) and non-White Latino participants born abroad were the least active (17.9 MET-h·wk-1). Among Latinos, participants born in Puerto Rico were 6.6-7.3 MET-h·wk-1 less active than participants born in Mexico, the United States/Canada, or other countries. There were variations in time use by race/ethnicity, with the largest difference in time spent sitting while watching TV. Black participants spent 14.8% of the day (~3.5 h) sitting watching TV, which was 78 min longer than Asian/Pacific Islander participants. CONCLUSIONS: This study suggests that there are differences in LTMVPA accumulation by race, ethnicity, and nativity. Results can be used to identify demographic groups that may benefit from culturally tailored PA 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 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 ».