Lifestyle Behavior Patterns and Their Association with Active Commuting to School Among Spanish Adolescents: A Cluster Analysis
Notice bibliographique
Résumé
Objectives: We aimed to identify clustering patterns of the device-measured physical activity (PA) levels (i.e., light PA and moderate-to-vigorous PA) and sedentary time (ST), screen time, sleep duration, and breakfast consumption of Spanish adolescents and their associations with the mode of commuting to and from schools (i.e., active and passive). Methods: A total of 151 adolescents aged 14.4 ± 0.6 years (53.64% girls) were included in this study. Participants wore an accelerometer device during seven consecutive days to measure PA levels and ST levels. Screen time, sleep duration, breakfast consumption, and the mode of commuting to and from school were self-reported by the participants. A two-step cluster analysis was performed to examine the different lifestyle behavior patterns (defined as data-driven groupings of daily behaviors identified through cluster analysis). Logistic regression models were used to determine the associations among the lifestyle behavior patterns and the mode of commuting to and from school. Results: The main characteristics of the three identified clusters were as follows: (active) high PA levels and low ST (38.4%); (inactive) high sleep duration and daily breakfast consumption, but low PA levels and high ST and screen time (37.2%); and (unhealthy) low PA levels and sleep duration, high ST and screen time, and usually skip breakfast (24.4%). No associations were found between these clusters and the mode of commuting to and from school (all, p > 0.05). Conclusions: Three different lifestyle behavior patterns were identified among Spanish adolescents, but no associations were found between these patterns and their mode of commuting to and from school.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».