Longitudinal Study of Bad Dreams in Preschool-Aged Children: Prevalence, Demographic Correlates, Risk and Protective Factors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
STUDY OBJECTIVES: To (1) clarify the epidemiology of bad dreams in children and investigate risk and protective factors related to (2) the child's sleep, (3) parental sleep-enabling practices, and (4) the child's temperament. DESIGN: Longitudinal with 6 time points from 5 months to 6 years. SETTING: Subjects' homes. PARTICIPANTS: Representative sample of 987 children in the Province of Quebec. INTERVENTIONS: None. MEASUREMENTS AND RESULTS: Longitudinal logistic regression analysis models with primary endpoints of presence or absence of parent-rated bad dreams at 29 months, 41 months, 50 months, 5 years, and 6 years and predictor variables of demographic characteristics, parent ratings of child's sleep characteristics, parental sleep-enabling practices (e.g., cosleeping), and child's psychological characteristics at 5 and 17 months (anxiousness, temperament). Mothers' ratings indicated lower than expected prevalence of frequent bad dreams (1.3% to 3.9%). Demographic correlates of bad dreams were high family income, absence of siblings at 29 months, and a non-immigrant mother. The best predictor at 41 and 50 months was the presence of bad dreams the preceding year, whereas at 5 and 6 years, it was their earlier presence at 29 months. Early protective factors were parental practices favoring emotional nurturance after night awakenings (29 and 41 months); early risk factors were sleep-onset emotional nurturance (29 months), difficult temperament (5 months), and anxiousness (17 months). CONCLUSIONS: Bad dreams in preschoolers are less prevalent than thought but, when present, are trait-like in nature and associated with personality characteristics measured as early as 5 months. A stress-diathesis model may best account for the observed pattern of predictive factors.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle