MétaCan
Menu
Retour à la cohorte
Enregistrement W2288267315 · doi:10.1186/s12889-016-2886-3

Physical fighting, fighting-related injuries and family affluence among Canadian youth

2016· article· en· W2288267315 sur OpenAlexafffundabout
Maya Djerboua, Bingshu E. Chen, Colleen Davison

Notice bibliographique

RevueBMC Public Health · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensKingston General HospitalQueen's University
Organismes subventionnairesCanadian Institutes of Health ResearchHealth CanadaQueen's UniversityPublic Health AgencyPublic Health Agency of CanadaInstitute of Population and Public HealthWorld Health Organization
Mots-clésBiostatisticsConfoundingMedicineDemographyInjury preventionPublic healthPoison controlPoisson regressionFamily incomeSuicide preventionOccupational safety and healthGerontologyEnvironmental healthPopulation

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Physical fighting is an assaultive behaviour that can lead to injury. Family affluence is a health determinant that can influence injury. This study examines the relationship between family affluence and two outcomes: physical fighting and fighting-related injury in Canadian adolescents. Three measurements were used to represent family affluence and assess whether these measures demonstrated different associations with these outcomes. METHODS: Canadian data from the 2009/2010 Health Behaviour in School-aged Children Study were used. It consists of a nationally representative sample of 26,078 grade 6-10 students. A subset analysis of 10,429 grade 9-10 students was conducted to account for additional confounders. Modified Poisson regression was used to compare the risk of physical fighting and fighting-related injury in youth from different levels of family affluence. Three indicators were used to represent family affluence: self-perceived affluence, a family affluence scale (FAS), and area-level average household income. RESULTS: The overall prevalence was 35.6% for physical fighting and 2.7% for fighting-related injuries. Both outcomes were more frequent in males than females. An inverse gradient was present where risk for both outcomes increased with decreasing levels of affluence irrespective of the affluence measurement. The self-perceived affluence variable showed a significantly stronger gradient in girls than boys for both outcomes. For both outcomes, FAS showed a similar inverse gradient within females, but a threshold effect in males where there was a strong effect in the low FAS group, but a null effect in the moderate FAS group. The area-level income variable presented a significantly higher likelihood for physical fighting only in females (p = 0.001-0.075). For fighting-related injury, none of the area-level income models showed significant risk estimates with the exception of the bivariate association where low income females were twice as likely to report a fighting-related injury compared to higher income groups (p = 0.030). Post hoc power calculations indicate that there was not sufficient power to detect injury effects associated with the area level income measure. CONCLUSION: It appears that a socioeconomic gradient exists where lower affluence is associated with a higher risk of reporting a physical fight and fighting-related injury irrespective of the measure used. While the patterns were generally the same with all three measurements, the strength of this gradient varied across measures. This demonstrates that each indicator may measure different aspects of affluence. Further analyses are needed to explore concepts and mechanisms underlying each affluence measure.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,320
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Public HealthMême sujetInjury Epidemiology and PreventionTravaux en français237 207