A multiple behaviour temporal network analysis for health behaviours during <scp>COVID</scp> ‐19
Notice bibliographique
Résumé
OBJECTIVES: The aim of this study was to examine the temporal dynamics of multiple health behaviours (physical activity, alcohol consumption, healthy eating, cigarette consumption, recreational drug use, vaping), and pandemic-related health behaviours (e.g., hand washing, physical distancing) using network psychometrics. DESIGN: The International COVID-19 Awareness and Responses Evaluation (iCARE) study is an international multi-wave observational cohort study of public awareness, attitudes, and responses to public health policies implemented to reduce the spread of COVID-19 on people around the world. A sub-sample of longitudinal data from Canadians (n = 254) was analysed across four waves (February-July 2020). METHODS: We used temporal network models to fit temporal networks, contemporaneous networks, and between-subject networks from items within the iCARE survey. RESULTS: Positive temporal associations were observed between physical activity and healthy eating, and a bidirectional relationship was evident between outdoor mask use and vaping. A contemporaneous network revealed positive associations between consumption behaviours (vaping, cigarette use, alcohol use, and recreational drug use), and negative associations between physical activity and drug use, and healthy eating and cigarette use. CONCLUSIONS: Health behaviours are interconnected and can be modelled as networks or behavioural systems. The application of temporal network analysis to the study of multiple health behaviours is well suited to address key research questions in the field such as 'how do multiple health behaviours co-vary with one another over time'. Future research using time series data and measuring affective and cognitive mediators of behaviour, in addition to health behaviours, has the potential to contribute valuable hypothesis-generating insights.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».