Physical activity, sedentary behavior, and sleep across lifespan in adults across European countries: Background and design
Notice bibliographique
Résumé
Introduction Regular physical activity (PA) has benefits for health throughout the lifespan. PA benefits musculoskeletal, cardio metabolic health, and overall well-being (Kapoor et al., 2022). However, data from 2017 shows that about 55-83% of women and 47-74% of men from European countries (EU) do not meet these guidelines (Lübs et al,. 2018). Moreover, adults at the age of 40-54 (aOR: 0.65, 95% CI: 0.52-0.81) and 55-64 (aOR: 0.61, 95% CI: 0.49-0.77) are less likely to have moderate or high levels of PA in comparison with those 18-24 years of age. (Nikitara et al., 2021). Sedentary behavior (SB) including activities such as watching television, playing computer games, browsing the internet has increased (Wang et al., 2019). Canada has an established track record in the development of 24-hour movement guidelines on PA, SB, and sleep. They have previously release guidelines for all age groups. Following Canada’s lead, several jurisdictions including Australia, New Zealand, South Africa have incorporated the 24-hour movement concepts (Tremblay, 2020). There is a lack of data for 24-hour behavior guideline in the European context. There are no specific recommendations on SB and sleep. Therefore, this project will present the background, methods and design of a 24-hour movement summary of behaviors (PA, SB and sleep) in Europe. Methods We will utilize existing PA, SB and sleep data from the World Health Organization on European adults 18+. Analysis using mean, median, and 95% confidence Intervals, will be complemented by frequency distributions and histograms. These will be stratified by age and sex subgroups for a more comprehensive overview. Results The findings from this research have the potential to inform surveillance efforts, shape policies and public health strategies, improve overall well-being, and contribute to the development of evidence-based guidelines. Discussion/Conclusion Implications of this research may inform researchers on further questions to pursue, policy makers in resource allocation, and practitioners on where to focus intervention efforts. References Kapoor, G., Chauhan, P., Singh, G., Malhotra, N., & Chahal, A. (2022). Physical activity for health and fitness: Past, present and future. Journal of Lifestyle Medicine, 12(1), 9-14. https://doi.org/10.15280/jlm.2022.12.1.9 Lübs, L., Peplies, J., Drell, C., & Bammann, K. (2018). Cross-sectional and longitudinal factors influencing physical activity of 65 to 75-year-olds: A pan European cohort study based on the survey of health, ageing and retirement in Europe (SHARE). BMC Geriatrics, 18, Article 94. https://doi.org/10.1186/s12877-018-0781-8 Nikitara, K., Odani, S., Demenagas, N., Rachiotis, G., Symvoulakis, E. K., & Vardavas, C. (2021). Prevalence and correlates of physical inactivity in adults across 28 European countries. European Journal of Public Health, 31(4), 840-845. https://doi.org/10.1093/eurpub/ckab067 Tremblay, M. S. (2020). Introducing 24-hour movement guidelines for the early years: A new paradigm gaining momentum. Journal of Physical Activity and Health, 17(1), 92-95. https://doi.org/10.1123/jpah.2019-0401 Wang, N. X., Chen, J., Wagner, N., Rebello, S. A., Petrunoff, N., Owen, N., & Müller‐Riemenschneider, F. (2019). Understanding and influencing occupational sedentary behavior: A mixed-methods approach in a multiethnic Asian population. Health Education & Behavior, 47(3), 419-429. https://doi.org/10.1177/1090198119885431
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».