Screen Exposure and Childhood Adiposity in Socio-Vulnerable School Settings: Evidence from a Portuguese Cross-Sectional Study (Preprint)
Notice bibliographique
Résumé
BACKGROUND: Screen-based media use among children has been increasing, particularly in lower socioeconomic groups. As this behavior is linked to obesogenic habits, it is crucial to examine the associations between screen-based media use and adiposity in primary schoolchildren, particularly those from socially vulnerable contexts, such as children from the Educational Territories of Priority Intervention program. OBJECTIVE: This study aimed to examine the associations between screen-based media use and adiposity in primary schoolchildren from socially vulnerable contexts. METHODS: This study, part of the BeE-school Project, included 735 children (mean age 7.7, SD 1.2 years; n=380, 51.7% boys and n=355, 48.3% girls) from 10 primary schools located in vulnerable contexts in northern Portugal. Researchers recorded weight, height, and waist circumference and calculated BMI z scores and the waist-to-height ratio (WHtR). Screen-based media use was reported by parents using the ScreenQ tool, which includes 4 domains (screen access, frequency of use, media content, and caregiver-child coviewing). Sociodemographic and anthropometric data of parents were obtained via a questionnaire. Generalized linear models were applied. RESULTS: A higher screen-based media use score was associated with higher BMI z scores and WHtR (b=0.064, 95% CI 0.034-0.094 and b=0.002, 95% CI 0.001-0.003, respectively) even after adjusting for children's sex and age and parents' education and BMI. Significant associations (P<.05) were also observed for the domains of screen access, frequency of use, and media content. CONCLUSIONS: Screen-based media use is linked to higher BMI and WHtR in vulnerable children. Reducing screen access, limiting use frequency, and curating media content could improve health outcomes. Interventions for obesity prevention should consider these factors. TRIAL REGISTRATION: ClinicalTrials.gov NCT05395364; https://clinicaltrials.gov/study/NCT05395364.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».