How Many Participants Are Needed? Strategies for Calculating Sample Size in Nutrition Research
Notice bibliographique
Résumé
Sample size estimation is a critical aspect of nutrition research methodology, yet it remains frequently overlooked, leading to underpowered studies and potentially inaccurate conclusions. This review addresses this gap by providing comprehensive guidance on how to calculate sample size in nutrition research. Emphasizing the importance of an a priori sample size calculation, the review outlines the key considerations, including the desired levels of significance and power, effect size estimation, and standard deviation assessment. Formulas for determining sample size for various comparisons, including two proportions, two means, three or more groups, and unevenly sized groups, are provided, along with strategies for addressing loss to follow-up. Hypothetical examples illustrate these formulas' application across different research scenarios, highlighting their practical value in ensuring study robustness. Additionally, the review discusses common pitfalls in sample size estimation, such as misjudging effect size or standard deviation, and emphasizes the need for transparent reporting of sample size calculations to enable accurate interpretation of study findings. This article is a resource for nutrition researchers, offering guidance on conducting appropriate sample size calculations to bolster methodological rigor and study reliability. By embracing the principles outlined herein, researchers can elevate the quality of nutrition research.
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 | 0,449 | 0,722 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».