Predictors of Food and Physical Activity Tracking Among Young Adults
Notice bibliographique
Résumé
BACKGROUND: Monitoring food intake and physical activity (PA) using tracking applications may support behavior change. However, few longitudinal studies identify the characteristics of young adults who track their behavior, findings that could be useful in designing tracking-related interventions. Our objective was to identify predictors of past-year food and PA tracking among young adults. METHODS: Data were available for 676 young adults participating in the ongoing longitudinal Nicotine Dependence in Teens Study. Potential predictors were measured in 2017-2020 at age 31, and past-year food and PA tracking were measured in 2021-2022 at age 34. Each potential predictor was studied in a separate multivariable logistic regression model controlling for age, sex, and educational attainment. RESULTS: One third (37%) of participants reported past-year PA tracking; 14% reported past-year food, and 10% reported both. Nine and 11 of 41 potential predictors were associated with food and PA tracking, respectively. Compensatory behaviors after overeating, trying to lose weight, self-report overweight, reporting a wide variety of exercise behaviors, and pressure to lose weight predicted both food and PA tracking. CONCLUSION: Food and PA tracking are relatively common among young adults. If the associations observed herein between compensatory behavior after overeating and tracking (among other observed associations) are replicated and found to be causal, caution may need to be exercised in making "blanket" recommendations to track food intake and/or PA to all young adults seeking behavior change.
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 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».