Applying Average Real Variability to Quantifying Day–Day Physical Activity and Sedentary Postures Variability: A Comparison With Standard Deviation
Notice bibliographique
Résumé
Intraindividual activity variability is often overlooked, with some existing work using SD as a variability metric. However, average real variability (ARV) may be a more suitable metric as it accounts for temporal variability. The purpose of this exploratory study was to (a) apply ARV analyses to habitual activity outcomes; (b) assess the agreement between ARV and SD for habitual step counts, standing time, and sedentary time; and (c) determine the relationship between activity variability ( SD and ARV) with average activity values. One hundred and eighty-nine participants (37 ± 22 years, 109 females) wore the activPAL inclinometer on their thigh 24 hr/day for 6.4 ± 0.9 days. SD and ARV were calculated for each participant across their wear time. A Wilcoxon signed-rank test revealed that ARV was significantly higher than SD for step count, standing time, and sedentary time (all, p < .001). Equivalence testing demonstrated mixed equivalence for step counts (10%), standing time (12%), and sedentary time (14%). SD and ARV were highly correlated to each other for all activity metrics (all, ρ > .857, p < .001). SD was moderately (ρ = .601, p < .001) and weakly (ρ = .296, p < .001) correlated with average step count and standing time, respectively. ARV was weakly correlated with average step count and standing time (both: ρ < .499, p < .001). However, average sedentary time was not associated with SD or ARV (both, p > .177). While the two measurements of variability were strongly correlated, they cannot be used interchangeably. More monitoring research should consider intraindividual activity variability and use methods, such as ARV, that consider the temporal nature of day–day activity.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 | 0,000 |
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 ».