A longitudinal study of changes in physical activity during adolescence
Bibliographic record
Abstract
PROBLÉMATIQUE : La plupart des gens à travers le monde, incluant 90% des adolescents canadiens, n’atteignent pas les niveaux d’activité physique recommandés. Une meilleure compréhension de comment, quand, et pourquoi les niveaux d’activité physique des adolescents décline est essentielle. OBJECTIFS : Chez les adolescents, 1) documenter comment les conditions météorologiques influencent la participation à l’activité physique; 2) déterminer si les participants impliqués dans des activités physiques organisées maintiennent des niveaux d’activité physique plus sains; 3) identifier les périodes où la participation à des activités physiques spécifiques décline de façon marquée; et 4) décrire les profils de participation à l’activité physique sur une période de cinq ans.MÉTHODES : Un questionnaire de rappel des activités physiques des sept derniers jours a été complété par 1293 adolescents, initialement âgés de 12 à 13 ans, à tous les trois mois pendant cinq ans. L’association entre le nombre d’activités physiques par jour et les saisons et les conditions météorologiques a été évaluée à partir de régressions de Poisson avec effets aléatoires. Des régressions de Poisson dans un contexte d’analyses populationnelles ont été utilisées pour comparer les rythmes de déclins du nombre de sessions d’activité physique par semaine entre les élèves impliqués dans des activités organisées en 7e année scolaire et d’autres qui ne l’étaient pas. Nous avons utilisé des analyses de survies pour déterminer le moment où les adolescents interrompaient des activités physiques spécifiques. Finalement, des analyses de croissance de classes latentes ont servi à identifier des groupes de participants présentant des trajectoires similaires en termes de participation à l’activité physique. RÉSULTATS : Première analyse: Les niveaux d’activité physique sont plus bas pendant l’hiver. Parce que l
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".