Identificação de níveis de atividade física ao longo de 12 meses, com machine learning, e a sua associação com variáveis motivacionais, em adultos em processo de manutenção de perda de peso no projeto NOHOW
Miniatura indisponível
Data
2020
Título da revista
ISSN da revista
Título do Volume
Editora
Resumo
Objetivo: Esta dissertação teve como objetivo principal a identificação de níveis de atividade física ao longo de 12 meses, com Machine Learning, e a sua associação com variáveis motivacionais, em adultos em processo de manutenção de perda de peso no projeto NoHoW.
Método: O trabalho foi dividido em duas partes, em primeiro lugar foi efetuada uma Revisão Sistemática da Literatura rápida, na qual se procurou analisar a utilização de inteligência artificial no contexto da adesão à atividade física e gestão do peso e seguidamente foi realizado um estudo de Cohort prospetivo, com uma amostra de 1627 indivíduos. Utilizou-se a informação recolhida de FiBit (24/7) durante 12 meses e respostas a questionários motivacionais aplicados no Baseline, 6 e 12 meses.
Resultados: Na Revisão Sistemática da Literatura rápida verificou-se que a literatura aponta para que intervenções personalizadas são essenciais para o sucesso individual da gestão do peso. Relativamente aos estudos focados em modelos preditivos, os resultados mostraram que a prática de atividade física se ajusta aos padrões de vida atuais e que os preditores para a prática de atividade física parecem estar associados a fatores psicológicos e comportamentais dos indivíduos. No estudo de Cohort prospetivo identificaram-se 2 grupos com diferentes níveis de atividade física, os ativos (Ativ) e os insuficientemente ativos (I-Ativ), com perfis motivacionais distintos. No grupo Ativ, as variáveis RAI, Motivação Autónoma, Regulações Intrínseca, Integrada e Identificada têm valores mais elevados, nos períodos em análise, em comparação com os valores dos indivíduos I-Ativ. Os indicadores motivacionais variam ao longo do tempo, com tendência crescente no início do projeto, verificando-se uma estagnação a partir dos 6 meses e redução em ambos os grupos no final dos 12 meses.
Conclusões: No que respeita a Revisão Sistemática da Literatura rápida, concluiu-se que a inteligência artificial e os métodos de Machine Learning aplicados à gestão do peso e à promoção da prática de atividade física podem ser uma enorme vantagem e poderão apoiar na redução das taxas de obesidade. No estudo de Cohort prospetivo foi possível a segregação de indivíduos por padrões de atividade física, com métodos de Machine Learning. São níveis elevados de Motivação Autónoma, Regulação Intrínseca, Integrada e Identificada ao longo dos 12 meses que parecem permitir que os indivíduos pratiquem ativamente atividade física. A Autonomia, no contexto da gestão do peso, aos 12 meses deverá ser avaliada, pela sua diminuição face ao nível no Baseline.
Objective: This dissertation main objective was to identify physical activity levels over 12 months, with Machine Learning, and its association with motivational variables, in adults undergoing weight loss maintenance in the NoHoW project. Method: The work was divided in two parts, first a Fast-Systematic Review of the Literature was carried out to analyze the use of artificial intelligence in the context of adherence to physical activity and weight management and second a Cohort's prospective study was conducted, we used a sample of 1627 individuals, FiBit information (24/7) for 12 months and motivational questionnaires output applied at Baseline, 6 and 12 months. Results: In the Fast-Systematic Review of the Literature, studies indicated that personalized interventions are essential for individual weight management success. Concerning studies focused on predictive models, the results showed that physical activity practice adapts to current living standards and that predictors for physical activity practice seem to be associated with psychological and behavioral factors. In the prospective Cohort study, 2 groups with different levels of physical activity were identified: active (Activ) and somewhat active (I-Ativ), with different motivational profiles. In the Ativ group, the variables RAI, Autonomous Motivation, Intrinsic, Integrated and Identified Regulations have higher values when compared to the values of I-Ativ group. Motivational indicators vary over time, with an upward trend at the beginning of the project, stagnation starting at 6 months and decreasing in both groups at the end of 12 months. Conclusions: The Fast-Systematic Review of the rapid literature made us conclude that artificial intelligence and Machine Learning methods applied to weight management and the enhancement of physical activity practice are a huge advantage and may help to reduce obesity rates. In the prospective Cohort study, with Machine Learning methods, it is possible to segregate individuals by patterns of physical activity. High levels of Autonomous Motivation, Intrinsic Regulation, Integrated and Identified over the 12 months seem to allow individuals to actively engage in physical activity. Autonomy in the context of weight management at 12 months should be assessed.
Objective: This dissertation main objective was to identify physical activity levels over 12 months, with Machine Learning, and its association with motivational variables, in adults undergoing weight loss maintenance in the NoHoW project. Method: The work was divided in two parts, first a Fast-Systematic Review of the Literature was carried out to analyze the use of artificial intelligence in the context of adherence to physical activity and weight management and second a Cohort's prospective study was conducted, we used a sample of 1627 individuals, FiBit information (24/7) for 12 months and motivational questionnaires output applied at Baseline, 6 and 12 months. Results: In the Fast-Systematic Review of the Literature, studies indicated that personalized interventions are essential for individual weight management success. Concerning studies focused on predictive models, the results showed that physical activity practice adapts to current living standards and that predictors for physical activity practice seem to be associated with psychological and behavioral factors. In the prospective Cohort study, 2 groups with different levels of physical activity were identified: active (Activ) and somewhat active (I-Ativ), with different motivational profiles. In the Ativ group, the variables RAI, Autonomous Motivation, Intrinsic, Integrated and Identified Regulations have higher values when compared to the values of I-Ativ group. Motivational indicators vary over time, with an upward trend at the beginning of the project, stagnation starting at 6 months and decreasing in both groups at the end of 12 months. Conclusions: The Fast-Systematic Review of the rapid literature made us conclude that artificial intelligence and Machine Learning methods applied to weight management and the enhancement of physical activity practice are a huge advantage and may help to reduce obesity rates. In the prospective Cohort study, with Machine Learning methods, it is possible to segregate individuals by patterns of physical activity. High levels of Autonomous Motivation, Intrinsic Regulation, Integrated and Identified over the 12 months seem to allow individuals to actively engage in physical activity. Autonomy in the context of weight management at 12 months should be assessed.
Descrição
Orientação: António João Labisa da Silva Palmeira
Palavras-chave
MESTRADO EM EXERCÍCIO E BEM-ESTAR, DESPORTO, SPORT, EDUCAÇÃO FÍSICA, PHYSICAL EDUCATION, ATIVIDADE FÍSICA, PHYSICAL ACTIVITY, APRENDIZAGEM COMPUTACIONAL, MACHINE LEARNING, INTELIGÊNCIA ARTIFICIAL, ARTIFICIAL INTELLIGENCE, MOTIVAÇÃO, MOTIVATION, COMPORTAMENTO, BEHAVIOUR, GESTÃO DO PESO, WEIGHT MANAGEMENT, PERDA DE PESO, WEIGHT LOSS