Untapped Potential of Unobtrusive Observation for Studying Health Behaviors
Notice bibliographique
Résumé
Improving the environment is an important upstream intervention to promote population health by influencing health behaviors such as physical activity, smoking, and social distancing. Examples of promising environmental interventions include creating high-quality green spaces, building active transport infrastructure, and implementing urban planning regulations. However, there is little robust evidence to inform policy and decision makers about what kinds of environmental interventions are effective and for which populations. In this viewpoint, we make the case that this evidence gap exists partly because health behavior research is dominated by obtrusive methods that focus on studying individual behavior and that are less suitable for understanding environmental influences. In contrast, unobtrusive observation can assess how behavior varies in different environmental contexts. It thereby provides valuable data relating to how environments affect the behavior of populations, which is often useful knowledge for effectively and equitably tackling population health challenges such as obesity and noncommunicable diseases. Yet despite a long history, unobtrusive observation methods are currently underused in health behavior research. We discuss how developing the use of video technology and automated computer vision techniques can offer a scalable solution for assessing health behaviors, facilitating a more thorough investigation of how environments influence health behaviors. We also reflect on the important ethical challenges associated with unobtrusive observation and the use of these emerging video technologies. By increasing the use of unobtrusive observation alongside other methods, we strongly believe this will improve our understanding of the influences of the environment on health behaviors.
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 | 0,020 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».