Respondents of health survey powered by the innovative NURO app exhibit correlations between exercise frequencies and diet habits, and between stress levels and sleep wellness
Notice bibliographique
Résumé
Nurosene's NURO app (nurosene.com) is an innovative smartphone application that gathers and analyzes active self-report metrics from users, empowering them with data-driven health machine intelligence. We present the data collected and analyzed from the initial round of participants who responded to a 12-question survey on their life-style and health status. Exploratory results using a variational autoencoder (VAE) suggested that much of the variability of the 12 dimensional data could be accounted for by two approximately uncorrelated latent variables: one pertaining to stress and sleep, and the other pertaining to exercise and diet. Subsequent modeling of the data using exploratory and confirmatory factor analyses (EFAs and CFAs) found that optimal data fits consisted of four factors, namely exercise, diet, stress, and sleep. Covariance values were high between exercise and diet, and between stress and sleep, but much lower between other pairings of non-identical factors. Both EFAs and CFAs provided extra contexts to and quantified the more preliminary VAE observations. Overall, our results significantly reduce the apparent complexity of the response data. This reduction allows for more efficient future stratification and analyses of participants based on simpler latent variables. Our discovery of novel relationships between stress and sleep, and between exercise and diet suggests the possibility of applying predictive analytics in future efforts.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,005 | 0,002 |
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 ».