Intrinsic factors associated with engagement in healthy lifestyle behaviors for dementia risk reduction in midlife
Notice bibliographique
Résumé
Introduction: Intrinsic motivation is critical for dementia prevention but remains poorly understood. Methods: A total of 347 middle-aged adults completed questionnaires on intrinsic factors for dementia prevention, demographics, dementia risk, and healthy lifestyle behaviors. Latent profile analysis (LPA) grouped participants with similar intrinsic patterns. Subgroup differences in demographics, extrinsic factors, and healthy behaviors were examined. Results: LPA identified four intrinsic profiles: Profile 1 had low motivation; Profile 2 had high motivation and self-efficacy, but poor dementia knowledge; Profile 3 had moderate motivation; and Profile 4 had low motivation and high apathy. Subsequent analyses showed that profiles further differed on extrinsic factors, demographic characteristics, and engagement in health behaviors. Specifically, Profile 1 had the lowest dementia risk, best sleep quality, and least loneliness; Profile 2 had the highest income, greater dementia risk, highest cognitive activity, and greatest loneliness; Profile 3 had more caregiving experience and moderate engagement in all healthy behaviors; and Profile 4 had lower incomes, the worst health, and lowest engagement in all healthy behaviors. Discussion: Results identified groups of middle-aged adults with distinct intrinsic patterns who also differed in demographic/extrinsic factors and health behaviors. These profiles may benefit from different types of intervention strategies for dementia prevention.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».