Mad Dog Nutrition Program Consult: Effects on Dietary Self-Efficacy, Behaviors and Health Outcomes
Notice bibliographique
Résumé
Prior research in our lab has shown the effect of diet in spinal cord injury (SCI) and multiple sclerosis (MS) populations for reducing inflammation and other subsequent negative health outcomes (Allison & Ditor, 2015;Allison et al., 2016).However, adherence to the diet greatly decreased after one year (Allison & Ditor, 2018).The decrease of adherence was attributed to a variety of barriers that were uncovered in interviews (Bailey et al., 2017).The present study investigated the effects of a 2-session dietary consult (the MAD DOG consult) designed towards minimizing identified barriers and improving participant self-efficacy, the likelihood of long-term adherence and selected secondary health complications.Task (p = .028)and barrier self-efficacy (p = .003)were significantly improved directly after the consult.When examined one month after the consult, participants had significant improvements in adherence to the Mad Dog diet (p = .001),reductions in depression (p = .038)and positive trends towards improving bowel general satisfaction (p = .072),task self-efficacy (p = .066)and barrier (p = .094)self-efficacy.Changes in CES-D scores were significantly negatively correlated with dietary adherence (r = -0.61;r 2 = 0.37; p = 0.045), and barrier self-efficacy (r = -0.77;r 2 = 0.59; p = 0.009).There were no significant changes in neuropathic pain or bowel function one month after the consult.Follow-up testing is warranted to determine how long improvements in selfefficacy and adherence to the Mad Dog persist following the consult, as well as improved health outcomes.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».