Social epidemiology of sports and extracurricular activities in early adolescents
Notice bibliographique
Résumé
BACKGROUND: This study examines the social epidemiology of sports and extracurricular activities in early adolescents (9-14 years) using a diverse national U.S. METHODS: We examined data from baseline (2016-2018, ages 9-10) to Year 3 follow-up (2019-2021) of the Adolescent Brain and Cognitive Development (ABCD) Study (N = 11,270). Multivariable linear regression models with standardized betas estimated adjusted cross-sectional associations between sociodemographic factors (age, biological sex, sexual orientation, race and ethnicity, household income, parental education) and physical activity (metabolic equivalent of task (MET)-hours(h)/week) through sports and extracurricular activities at baseline and Year 3. RESULTS: Average MET-h/week decreased from 15.5 (±18.7) in Year 1 follow-up to 13.0 (±19.1) in Year 3 follow-up. Female sex, gay/bisexual sexual orientation, lower household income, and lower parental education were associated with lower MET-h/week at baseline. Male adolescents were more likely to play soccer and baseball/softball; female adolescents were more likely to play a musical instrument and participate in swimming/water polo and ballet/dance. Among the most common sports and extracurricular activities, lower parental income and education were associated with lower participation. CONCLUSION: This study of early adolescents identified sociodemographic differences in sports and extracurricular activities that can inform targeted interventions to reduce these disparities. IMPACT: This study examines the trends and social epidemiology of sports and extracurricular activities in early adolescents using a demographically diverse national U.S. SAMPLE: Average early adolescent physical activity decreased across three years of follow-up. Soccer, musical instruments, swimming/water polo, baseball/softball, and ballet/dance were the most common activities at baseline. Female sex, gay/bisexual sexual orientation, lower household income, and lower parental education were associated with lower weekly physical activity at baseline.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».