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

• Autor(a) principal: Coutinho, Catarina de Brito Camacho Pereira
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10437/11961
• topic: MESTRADO EM EXERCÍCIO E BEM-ESTAR; DESPORTO; EDUCAÇÃO FÍSICA; ATIVIDADE FÍSICA; APRENDIZAGEM COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; MOTIVAÇÃO; COMPORTAMENTO; GESTÃO DO PESO; PERDA DE PESO; SPORT; PHYSICAL EDUCATION; PHYSICAL ACTIVITY; MACHINE LEARNING; ARTIFICIAL INTELLIGENCE; MOTIVATION; BEHAVIOUR; WEIGHT MANAGEMENT; WEIGHT LOSS

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.