Latent Classification Analysis of Leisure Activities and Their Impact on ADL, IADL and Cognitive Ability of Older Adults Based on CLHLS (2008–2018)
Notice bibliographique
Résumé
This study aimed to research the trajectory of leisure activity and the health status of older adults and analyze the effects of leisure activity on the health status of older adults. Based on the longitudinal data of CLHLS (2008-2018), the latent growth curve model (LGCM) was used; we found that the leisure activities (LA), activities of daily living (ADL) ability, instrumental activities of daily living (IADL) ability, and cognitive ability (COG) of older adults show a nonlinear downward trend over time. Furthermore, the panel binary regression analysis is used to find that leisure activities have significant inhibitory effects on ADL disorder, IADL disorder, and cognitive impairment in the older population. In addition, by using latent profile analysis (LPA), the older population is classified into three groups according to the homogeneity of the older adults' choice of leisure activities, namely the types of relaxation, entertainment, and intellectual-learning, respectively. Based on the classification results, the analysis of one-way ANOVA shows that the rates of ADL disorder, IADL disorder, and cognitive impairment of older adults with different types are significantly different. Moreover, the inhibitory effect of leisure activities on the rate of ADL disorder, IADL disorder, and cognitive impairment of older adults is more significant in the middle-aged and high-aged groups. Therefore, older adults should be encouraged to increase leisure activities, especially those who are middle-aged and high-aged.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».