Continuous-time modeling of the multivariate relationships between physical activity levels and stationary time in preschool-aged children: an investigation of the ActivityStat hypothesis
Notice bibliographique
Résumé
BACKGROUND: The ActivityStat hypothesis proposes that an increase or decrease in physical activity (PA) greater than a certain set point activates behavioural and/or energy compensatory responses to maintain a stable level of total energy expenditure. Few studies have tested this hypothesis in children and even fewer have focused on young children. Therefore, the purpose of this study was to investigate the ActivityStat hypothesis by examining the presence and timeframe of the relationships among PA levels and stationary time (ST) in preschool-aged children. METHODS: A secondary analysis was performed on repeated measurement data (i.e., day-to-day activity) involving 98 preschool-aged children (age: 4.5 ± 0.7 years) in Edmonton, Canada. Participants were asked to wear an ActiGraph wGT3X-BT on the waist for 7 consecutive days to assess PA levels (i.e., light PA [LPA], and moderate-to-vigorous PA[MVPA]) and ST. Bayesian continuous-time structural equation modeling (CT-SEM) was used to examine the relationship between behaviours over time and the timeframe during which these relationships occur. RESULTS: Each behaviour (i.e., LPA, MVPA, and ST) positively and meaningfully predicted itself at a later time. These relationships persisted up to 0.5 days later, at which point past behaviour no longer meaningfully predicted future behaviour. In contrast, no relationships were observed between the three behaviours. CONCLUSIONS: This is the first study to investigate the ActivityStat hypothesis using Bayesian CT-SEM in preschool-aged children. When simultaneously taking into account all dynamic relationships suggested by the ActivityStat, the findings fail to support the hypothesis.
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 | 0,001 | 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 | 0,000 | 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 ».