Farming and Mental Health Problems and Mental Illness
Notice bibliographique
Résumé
BACKGROUND: Farmers experience one of the highest rates of suicide of any industry and there is growing evidence that those involved in farming are at higher risk of developing mental health problems. This article provides an overview of the literature examining mental health issues experienced by farming populations in the United Kingdom, Europe, Australia, Canada and the United States and identifies areas for further research. METHOD: A literature review (Medline, Science Direct, Ingenta, Proquest and PsychINFO) was carried out using the words 'farmers', 'agriculture', 'depression', 'mental health', 'mental illness', 'stress', and 'suicide', as well as a review of relevant papers and publications known to the authors. (Papers not written in English and those published prior to 1985 were excluded.) RESULTS: Fifty-two papers were identified with the majority focusing on stress and coping styles in farmers (24). A number of studies also focused on neuropsychological functioning and agricultural chemical use (7), depression (7), suicide (9), general mental health (4) and injury and mental health (1). This body of research studied male farmers, female farmers, farm workers, farming families, and young people living on farms. Research to date indicates that farmers, farm workers and their respective families face an array of stressors related to the physical environment, structure of farming families and the economic difficulties and uncertainties associated with farming which may be detrimental to their mental health. CONCLUSION: Whilst suicide rates in some groups of farmers are higher than the general population, conclusive data do not exist to indicate whether farmers and farming families experience higher rates of mental health problems compared with the non-farming community. It is clear, however, that farming is associated with a unique set of characteristics that is potentially hazardous to mental health and requires further research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».