Social epidemiology of Fitbit daily steps in early adolescence
Notice bibliographique
Résumé
Abstract Background Sociodemographic disparities in adolescent physical activity have been documented but mostly rely on self-reported data. Our objective was to examine differences in device-based step metrics, including daily step count (steps d −1 ), by sociodemographic factors among a diverse sample of 10-to-14-year-old adolescents in the US. Methods We analyzed prospective cohort data from Year 2 (2018–2020) of the Adolescent Brain Cognitive Development (ABCD) Study ( N = 6460). Mixed-effects models were conducted to estimate associations of sociodemographic factors (sex, sexual orientation, race/ethnicity, household income, parental education, and parental marital status) with repeated measures of steps d −1 over the course of 21 days. Results Participants (49.6% female, 39.0% racial/ethnic minority) accumulated an average of 9095.8 steps d −1 . In mixed-effects models, 1543.6 more steps d −1 were recorded for male versus female sex, Black versus White race (328.8 more steps d −1 ), heterosexual versus sexual minority sexual orientation (676.4 more steps d −1 ), >$200,000 versus <$25,000 household income (1003.3 more steps d −1 ), and having married/partnered parents versus unmarried/unpartnered parents (326.3 more steps d −1 ). We found effect modification by household income for Black adolescents and by sex for Asian adolescents. Conclusions Given sociodemographic differences in adolescent steps d −1 , physical activity guidelines should focus on key populations and adopt strategies optimized for adolescents from diverse backgrounds. Impact Sociodemographic disparities in physical activity have been documented but mostly rely on self-reported data, which can be limited by reporting and prevarication bias. In this demographically diverse sample of 10–14-year-old early adolescents in the U.S., we found notable and nuanced sociodemographic disparities in Fitbit steps per day. More daily steps were recorded for male versus female sex, Black versus White race, heterosexual versus sexual minority, >$100,000 versus <$25,000 household income, and having married/partnered versus unmarried/unpartnered parents. We found effect modification by household income for Black adolescents and by sex for Asian adolescents.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».