MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403245499 · doi:10.2196/57803

National Trends in the Prevalence of Self-Perceived Overweight Among Adolescents Between 2005 and 2022: Nationwide Representative Study

2024· article· en· W4403245499 sur OpenAlexvenueno aff
Jinyoung Jeong, S. Lee, Kyeongmin Lee, Seokjun Kim, Jaeyu Park, Yejun Son, Hyeri Lee, Hayeon Lee, Jiseung Kang, Masoud Rahmati, Damiano Pizzol, Lee Smith, Guillermo F. López Sánchez, Elena Dragioti, Guillaume Fond, Laurent Boyer, Selin Woo, Sang Youl Rhee, Dong Keon Yon

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueEating Disorders and Behaviors
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOverweightMedicinePandemicDemographyEnvironmental healthCross-sectional studyObesityCoronavirus disease 2019 (COVID-19)Disease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Despite several studies on self-evaluation of health and body shape, existing research on the risk factors of self-perceived overweight is insufficient, especially during the COVID-19 pandemic. OBJECTIVE: This study aims to identify the risk factors affecting self-perceived overweight and examine how the prevalence of self-perceived overweight has changed before and during the COVID-19 pandemic. Specifically, we analyzed the impact of altered lifestyles due to COVID-19 on this phenomenon. METHODS: The data used in the study were obtained from middle and high school students who participated in the Korean Youth Risk Behavior Web-based Survey (N=1,189,586). This survey was a 2-stage stratified cluster sampling survey representative of South Korean adolescents. We grouped the survey results by year and estimated the slope in the prevalence of self-perceived overweight before and during the pandemic using weighted linear regression, as well as the prevalence tendencies of self-perceived overweight according to various risk factors. We used prevalence ratios to identify the risk factors for self-perceived overweight. In addition, we conducted comparisons of risk factors in different periods to identify their associations with the COVID-19 pandemic. RESULTS: The prevalence of self-perceived overweight was much higher than BMI-based overweight among 1,189,586 middle and high school participants (grade 7-12) from 2005 to 2022 (female participants: n=577,102, 48.51%). From 2005 to 2019 (prepandemic), the prevalence of self-perceived overweight increased (β=2.80, 95% CI 2.70-2.90), but from 2020 to 2022 (pandemic) it decreased (β=-0.53, 95% CI -0.74 to -0.33). During the pandemic, individuals with higher levels of stress or lower household economic status exhibited a more substantial decrease in the rate of self-perceived overweight. The prevalence of self-perceived overweight tended to be higher among individuals with poor academic performance, lower economic status, poorer subjective health, and a higher stress level. CONCLUSIONS: Our nationwide study, conducted over 18 years, indicated that self-perceived overweight decreased during the COVID-19 period while identifying low academic performance and economic status as risk factors. These findings suggest the need for policies and facilities to address serious dieting and body dissatisfaction resulting from self-perceived overweight by developing counseling programs for adolescents with risk factors such as lower school performance and economic status.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,386
Écart entre enseignants0,347 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetEating Disorders and Behaviors→Travaux en français237 207→