Exploring profiles of fathers integrating food and physical activity parenting practices
Notice bibliographique
Résumé
Abstract Objective: This study aims to identify fathers’ profiles integrating food parenting practices (FPP) and physical activity parenting practices (PAPP). Design: We analysed cross-sectional data. The fathers completed the reduced FPP and PAPP item banks and socio-demographic and family dynamics (co-parenting and household responsibility) questionnaires. We identified fathers’ profiles via latent profile analysis. We explored the influence of social determinants, child characteristics and family dynamics on fathers’ profiles using multinomial logistic regression. Setting: Online survey in the USA. Participants: Fathers of 5–11-year-old children. Results: We analysed data from 606 fathers (age = 38 ± 8·0; Hispanic = 37·5 %). Most fathers self-identified as White (57·9 %) or Black/African American (17·7 %), overweight (41·1 %) or obese (34·8 %); attended college (70 %); earned > $47 000 (62·7 %); worked 40 hrs/week (63·4 %) and were biological fathers (90·1 %). Most children (boys = 55·5 %) were 5–8 years old (65·2 %). We identified five fathers’ profiles combining FPP and PAPP: (1) Engaged Supporter Father (n 94 (15·5 %)); (2) Leveled Father (n 160 (26·4 %)); (3) Autonomy-Focused Father (n 117 (19·3 %)); (4) Uninvolved Father (n 113 (18·6 %)) and (5) Control-Focused Father (n 122 (20·1 %)). We observed significant associations with race, ethnicity, child characteristics, co-parenting and household responsibility but not with education level, annual income or employment status. We observed significant pairwise differences between profiles in co-parenting and household responsibility, with the Engaged Supporter Father presenting higher scores in both measures. Conclusions: Understanding how fathers’ FPP and PAPP interact can enhance assessments for a comprehensive understanding of fathers’ influences on children’s health. Recognising the characteristics and differences among fathers’ profiles may enable tailored interventions, potentially improving children’s health trajectories.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».