MétaCan
Menu
← Retour à la cohorte
Enregistrement W4406133733 · doi:10.2196/66807

Capturing Everyday Parental Feeding Practices and Eating Behaviors of 3- to 5-Year-Old Children With Avid Eating Behavior: Ecological Momentary Assessment Feasibility and Acceptability Study

2025· article· en· W4406133733 sur OpenAlexvenueno aff
Abigail Pickard, Katie Edwards, Claire Farrow, Emma Haycraft, Jacqueline Blissett

Notice bibliographique

RevueJMIR Formative Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueChild Nutrition and Feeding Issues
Établissements canadiensnon disponible
Organismes subventionnairesEconomic and Social Research Council
Mots-clésPreprintHealthy eatingPsychologyEating behaviorDevelopmental psychologyFeeding behaviorEcologyApplied psychologyPhysical activityMedicineComputer scienceBiologyPhysical therapy

Résumé

récupéré en direct d'OpenAlex

Background: The wide use of smartphones offers large-scale opportunities for real-time data collection methods such as ecological momentary assessment (EMA) to assess how fluctuations in contextual and psychosocial factors influence parents' feeding practices and feeding goals, particularly when feeding children with high food approaches. Objective: The main objectives of this study were to (1) assess parents/caregivers' compliance with EMA procedures administered through a smartphone app and (2) estimate the criterion validity of the EMA to capture children's eating occasions and parents' feeding practices. Participant adherence, technological challenges, and data quality were used to provide an overview of the real-time dynamics of parental mood, feeding goals, and contextual factors during eating occasions. Methods: Parents in the United Kingdom with a child aged 3 to 5 years who exhibit avid eating behavior were invited to participate in a 10-day EMA study using a smartphone app. Of the 312 invited participants, 122 (39%) parents initiated the EMA study, of which 118 (96.7%) completed the full EMA period and the follow-up feasibility and acceptability survey. Results: Of those parents who completed the EMA study, 104 (87.4%) parents provided at least 7 "full" days of data (2 signal surveys and 1 event survey), despite 51 parents (43.2%) experiencing technical difficulties. The parents received notifications for morning surveys (69.9% response rate), 3 daily mood surveys (78.7% response rate), and an end-of-day survey (84.6% response rate) on each of the 10 days. Over the EMA period, a total of 2524 child eating/food request surveys were self-initiated by the participants on their smartphones, an average of 2.1 times per day per parent (SD 0.18; min=1.7, max=2.3). The majority of parents felt that the surveys made them more aware of their feelings (105/118, 89%) and activities (93/118, 79%). The frequency of daily food requests estimated by parents at baseline was significantly correlated with the frequency of food requests reported daily during the EMA period (r=0.483, P<.001). However, the number of daily food requests per day estimated at baseline (mean 4.5, SD 1.5) was significantly higher than the number of food requests reported per day during the EMA period (mean 3.7, SD 1.1), (t116=18.8, P<.001). Conclusions: This paper demonstrates the feasibility of employing EMA to investigate the intricate interplay between parental mood, feeding goals, contextual factors, and feeding practices with children exhibiting an avid eating behavior profile. However, the use of EMA needs to be carefully developed and tested with parents' involvement to ensure successful data collection.

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)0,003
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,006
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,080
Tête enseignante GPT0,469
Écart entre enseignants0,388 · 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

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetChild Nutrition and Feeding Issues→Travaux en français237 207→