Notice bibliographique
Résumé
INTRODUCTION: Although respecting older people was traditionally considered commonplace in family and society, getting older in modern Korea is often associated with unpleasant experiences of personal and institutional age-related discrimination, commonly known as ‘ageism'. This study aims to examine how Korean elders experienced types of Ageism and how this conversely relates to mental, physical, and self-rated health. METHODS: Data was gathered from a clustered sample of 638 people aged 60–89 via face-to-face interviews. Ageism was measured using a 20-item questionnaire from ‘The Ageism Survey' by Palmore. An exploratory factor analysis was performed to classify various types of Ageism. Health outcomes included depressive symptoms for mental health, using CES-D 20 Questions. Physician-diagnosed hypertension and self-rated health were also recorded. RESULTS: Of the 20 Ageism items, the results yielded four factors: ignorance ( α =.76), stereotype ( α =.80), employment ( α =.74), and healthcare ( α =.63). Gender, marital status, education, and residence were found to account for some variances in types of Ageism. In the effect of four types of ageism on health, three types— ignorance, stereotype, and health care —were all positively related to depressive symptoms. Only employment-related ageism increased the risk of developing hypertension, whereas healthcare-related ageism was significantly associated with poor self-rated health.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».