Prospective association between 24-hour movement behaviors and mental health among overweight/obese college students: a compositional data analysis approach
Notice bibliographique
Résumé
Background: 24-h movement behaviors, including light physical activity (LPA), moderate-to-vigorous physical activity (MVPA), screen-based sedentary behavior (SSB), non-screen-based sedentary behavior (NSB) and sleep are crucial components affecting mental health. This study aimed to examine the associations of movement behaviors with mental health outcomes among overweight/obese college students using a compositional data analysis approach. Methods: Using a prospective design, 437 Chinese college students (20.1 ± 1.7 years, 51.7% female) completed a two-wave online data collection, where demographics and movement behaviors (LPA, MVPA, SSB, NSB, sleep) were collected at baseline, while depression, anxiety and stress were measured at the 2-month follow-up (Apr-Jul 2022). Compositional data analyses were implemented using R. Results: < 0.001). Reallocating 15 min to MVPA from LPA, SSB and NSB predicted improvements in depression (LPA: -0.234 unit; SSB: -0.375 unit; NSB: -0.249 unit), anxiety (LPA: -0.092 unit; SSB: -0.284 unit; NSB: -0.165 unit), and stress (LPA: -0.083 unit; SSB: -0.312 unit; NSB: -0.191 unit). For dose-response relationships of 5-55 min isotemporal substitution, when time was reallocated to MVPA from LPA, NSB, and SSB, the estimated detriments to mental health were larger in magnitude than the estimated benefits of time reallocation from MVPA to LPA, NSB, and SSB. Conclusion: The findings emphasize the importance of participating in MVPA to improve mental health in overweight/obese college students during the post-COVID-19 era. The compositional analysis produced clear targets for the time allocation of these behaviors for future interventions and policymaking.
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 | 0,003 | 0,000 |
| 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 | 0,001 |
| 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 ».