Di recente ho scritto parolacce sull'utilizzo di Graph Builder per visualizzare i miei dati su dieta e fitness e puoi vederlo tutti i post di questa serie . Durante la creazione del mio Discovery Summit 2014 e-manifesto riguardo a questo progetto, ho ampliato significativamente le mie capacità come utente JMP. Questa è stata la prima volta che ho scritto un JSL personalizzato per automatizzare l'importazione, la combinazione e la formattazione dei dati da un ampio set di file ( ~ 50 Excel e ~ 50 file di testo contenenti i dati relativi all'attività e al registro degli alimenti, rispettivamente). Questa volta l'investimento è stato davvero proficuo, dal momento che sono stato in grado di applicare le competenze apprese in altre attività di importazione e visualizzazione dei dati relativi al lavoro.
Oltre ad acquisire una maggiore esperienza con JMP e JSL, ho imparato molto su me stesso e le mie abitudini attraverso questo progetto. Una delle rivelazioni più importanti è stata che anche i miei dati self-report raccolti con cura contenevano difetti e pregiudizi relativi all'utilizzo del dispositivo e ai modelli di registrazione degli alimenti. Questa scoperta ha influenzato il mio pensiero sugli sforzi su larga scala per aggregare i dati di dieta e fitness tra gli individui per capire i modelli di perdita di peso e anche influenzato su come continuo a raccogliere i miei dati.
io ho bloggato prima su come ho indossato il mio monitor dell'attività bracciale di meno durante i mesi estivi, nel tentativo di evitare le linee di abbronzatura, e come questo schema di utilizzo ha influenzato la completezza dei miei dati di attività. Sembra ragionevole che ogni persona che utilizza un monitor dell'attività possa avere un modello di utilizzo unico che possa influenzare la completezza e l'accuratezza dei propri dati. Il mio dispositivo mi fornisce una metrica giornaliera "Percentuale di persona", che mi aiuta a confrontare i dati con ore di utilizzo simili. Anche se questo potrebbe non essere perfetto, è un passo nella giusta direzione. Di seguito è riportato il grafico che ho incluso nel mio poster per illustrare i miei modelli di usura.
Allo stesso modo, i modelli di registrazione degli alimenti possono variare da individuo a individuo. Ricerche precedenti hanno confermato che le persone hanno difficoltà a ricordare i dettagli degli alimenti che hanno mangiato giorni o persino ore fa, men che meno ricordando i modelli di dieta dal giorno, dalla settimana o dall'anno precedente. I partecipanti allo studio della dieta tendono a sottovalutare il consumo di cibo. La stima delle dimensioni delle porzioni è un'altra fonte di errore nella registrazione degli alimenti e una che può differire da persona a persona. Sia intenzionale o non intenzionale, la frequenza di registrazione degli alimenti, la tempestività e l'accuratezza variano sicuramente tra un gruppo di persone. (Puoi leggere molto di più su questi e altri problemi in un capitolo liberamente disponibile pubblicato nel 2013 intitolato Metodologia di valutazione dietetica .)
Ho notato che registrare i miei cibi prima o appena dopo un pasto aiuta a minimizzare il mio pregiudizio del richiamo, quindi lo faccio quando è possibile. Di esplorando i miei dati di registro di cibo in Graph Builder, sono stato in grado di identificare diversi gruppi di giorni precedenti in cui i miei dati di registrazione erano incompleti per vari motivi. Anche uno studio su vasta scala, i cui partecipanti hanno utilizzato un'applicazione di registrazione alimentare come me, si troverebbe di fronte a una scelta: prendere i dati dai partecipanti al valore nominale sapendo che la conformità alla registrazione e la qualità dei dati potrebbero variare ampiamente, o intraprendere una valutazione dei modelli di conformità dei singoli individui. Senza conoscere la verità soggiacente sui modelli alimentari di ogni individuo, sarebbe estremamente difficile valutare se i dati fossero incompleti o errati e in che modo ciò potrebbe influenzare le conclusioni generali dello studio.
Ho visto molti esempi di disallineamenti tra le quotate porzioni e gli effettivi pesi degli alimenti sulle etichette degli alimenti, e ho letto molti articoli che indicano che il conteggio delle calorie nei menu è spesso inaffidabile. Prodotti alimentari dall'aspetto simile possono avere un numero di calorie molto variabile a causa delle differenze di ingredienti in gran parte nascosti come zucchero, burro o olio. Quando possibile, pesare o misurare le porzioni per migliorare la precisione dei dati del mio registro degli alimenti. Per compensare la sottostima delle calorie negli alimenti confezionati o preparati al ristorante nella mia raccolta di dati personali, aggiungo spesso il 10% alle dimensioni della porzione che registro per un articolo, anche se so che gli errori a volte possono essere molto più grandi di quello!
Gli errori nella stima del consumo si sommano a errori nel calcolo dell'esercizio fisico quando si tratta del calcolo del deficit e dei numeri in eccesso che alla fine regolano la perdita di peso. La maggior parte delle app che registrano il cibo consentono anche di registrare l'esercizio, quindi "guadagnare" più calorie da mangiare. Sfortunatamente, le stime standard di calorie consumate per attività spesso non corrispondono alle circostanze della vita reale. Possono sopravvalutare la vera combustione per alcuni individui o includere le calorie basali che sarebbero state bruciate anche se non è stato fatto alcun esercizio. La linea di fondo è che la gente di solito pensa che l'esercizio brucia più calorie di quante ne abbia. Soprattutto per le donne corte il cui esercizio brucia calorie è il minimo, affidarsi esclusivamente all'esercizio fisico per la perdita di peso è una strategia molto imperfetta, che sfortunatamente ho provato a me stesso più volte nel corso di una vita di lotte di peso.
Durante le mie recenti e riuscite fasi di perdita di peso, mi sono concentrato sul mantenimento di un deficit tra l'assunzione e l'ustione. Raggiungo il deficit mangiando meno di quanto brucio e aggiustando l'equilibrio necessario per raggiungere il risultato desiderato. Ho condiviso i dati sull'aumento di peso e sulla perdita di peso dalla mia ultima gravidanza e perdita di peso post-bambino un post precedente; un grafico di Graph Builder mostrava chiaramente che quando ero in surplus, aumentavo di peso e, quando ero in deficit, perdevo peso. Il mio guadagno durante la gravidanza era ben al di sopra e al di là della quantità attribuibile al peso del bambino / acqua, rappresentando circa 20 libbre di grasso corporeo in eccesso che mi ci sono voluti mesi per perdere. Ho visto la stessa connessione tra l'equilibrio delle calorie durante i miei ultimi anni di mantenimento del peso. Anche se le mie fluttuazioni di peso sono molto più piccole, gli stessi concetti di base sono ancora validi.
Tutto ciò che ho imparato fino a questo punto sui dati del registro degli alimenti auto-riportati e sulle misurazioni dell'attività mi ha aperto gli occhi sui limiti dei miei dati e sulle sfide affrontate dai ricercatori che conducono studi sulla perdita di peso su larga scala basati su dati auto-riportati. Gli studi su larga scala mirano a trarre conclusioni generali facendo una media su un insieme eterogeneo di individui con genetica, stili di vita e modelli di segnalazione diversi.
Ora ho raccolto abbastanza dati sulla vita libera nel mio studio n = 1 per quantificare ciò che funziona per me per perdere peso e mantenerlo in un intervallo sano per me - una comprensione che in gran parte mi ha eluso fino a questo punto della mia vita. Non sorprendentemente, ho convergito sulla stessa strategia di deficit comunemente impiegata negli studi di perdita di peso che trattano le persone come ratti in gabbia, quantificando da vicino l'assunzione e l'attività per dimostrare che il bilancio calorico negativo è il fattore critico che causa la perdita di peso. Sono veramente grato di non aver bisogno di vivere in una gabbia per imparare cosa ho negli ultimi anni. In molti modi, l'apprendimento di ciò che ho dai miei dati mi ha aiutato a liberarmi.
Sheela ha scritto:
Questo è così interessante. Le immagini grafiche trasmettono molto più di quando vediamo molti numeri. Sì, mancano alcuni dati, ma ora possiamo raccogliere di più e migliorare la nostra visualizzazione.
Cosa stiamo leggendo | Quantified Self Quantified Self ha scritto:
[...] Riflessioni sul mio progetto di dieta e fitness in corso di Shannon Conners. Ancora una volta Shannon ci stupisce con la sua bella e premurosa spiegazione su come [...]
