Correlates of mental health in students aged 15-24 years by gender
Notice bibliographique
Résumé
Mental health of students is a growing public health concern; however, little is known of the prevalence of different mental health issues or of its correlates. The purpose of this exploratory analysis was to identify important correlates of a diverse range of mental health outcomes by gender. Data from the Canadian Community Health Survey Mental Health Cycle (2013) were used for analyses. Only adults aged 15-24 years of age who self-reported being a current student were included (n=1086 for males; n=1304 for females). Five outcome variables were created to represent a range of mental health issues. These were consulted a professional, consulted a non-professional, has a diagnosed disorder (bipolar, depression or general anxiety disorder), has poor psychosocial health (perceived health, perceived mental health and satisfaction with life) and does not have positive mental health. Correlates assessed were age, income, immigration status, ethnicity, physical activity, sleep and household size. Chi-squares and adjusted logistic regression models were conducted. Results indicated that there were significant gender differences for income, ethnicity, physical activity and sleep. Females also had a significantly higher prevalence of consultations with professionals (14.8% vs. 7.6% in males), consultations with non-professionals (33.4% vs. 20.6% in males), diagnosed disorders (15.4% vs. 8.7% in males) and poor psychosocial health (47.3% vs. 41.4% in males). Gender differences were also noted in the adjusted regressions such that males were less likely than females to consult a professional (OR: 0.55, CI: 0.42-0.74), consult a non-professional (OR: 0.55, CI: 0.46-0.67) or have a diagnosed disorder (OR: 0.63, CI: 0.48-0.84). Sleep was consistently associated with all five mental health outcomes, while physical activity was not associated with either of consultations with a non-professional or diagnosed disorder. It is clear from these data that gender and health behaviours are important for mental health in students aged 15-24 years. Acknowledgments: NA
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».