The effects of napping on night‐time sleep in healthy young adults
Notice bibliographique
Résumé
Summary The discrepancies in the effects of napping on sleep quality may be due to differences in methodologies, napping behaviours, and daytime activity levels across studies. We determined whether napping behaviours and daytime activity levels are associated with night‐time sleep fragmentation and sleep quality in young adults. A total of 62 healthy adults (mean [SD] age 23.5 [4.2] years) completed screening questionnaires for sleep habits, physical activity, medical and psychological history. Actigraphy was used to record sleep including naps. The fragmentation algorithm (K RA ) was applied to the actigraphic data to measure night‐time sleep fragmentation. We classified participants’ nap frequency as “non‐nappers” (0 naps/8 days), “moderate nappers” (1–2 naps/8 days) or “frequent nappers” (≥3 naps/8 days) naps. Nap duration was defined as “short” (≤60 min) or “long” (>60 min). Naps’ proximity to the night sleep episode was defined as “early” (≥7 h) and “late” (<7 h) naps. Outcome variables were night‐time K RA and actigraphic sleep variables. Frequent nappers had a significantly higher K RA than moderate nappers ( p < 0.01) and non‐nappers ( p < 0.02). Late naps were associated with poorer measures of night sleep quality versus early naps (all p ≤ 0.02). Nap duration and daytime activity were not associated with significant differences in the outcome variables (all p > 0.05). K RA correlated with sleep duration, sleep efficiency, and awakenings ( r = −0.32, −0.32, and 0.53, respectively; all p < 0.05). Frequent napping and late naps may be associated with increased sleep fragmentation and poorer sleep quality, reflected in longer sleep onsets and increased awakenings. These findings have implications for public health sleep hygiene recommendations.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».