Examining individual and geographic factors associated with social isolation and loneliness using Canadian Longitudinal Study on Aging (CLSA) data
Notice bibliographique
Résumé
BACKGROUND: A large body of research shows that social isolation and loneliness have detrimental health consequences. Identifying individuals at risk of social isolation or loneliness is, therefore, important. The objective of this study was to examine personal (e.g., sex, income) and geographic (rural/urban and sociodemographic) factors and their association with social isolation and loneliness in a national sample of Canadians aged 45 to 85 years. METHODS: The study involved cross-sectional analyses of baseline data from the Canadian Longitudinal Study on Aging that were linked to 2016 census data at the Forward Sortation Area (FSA) level. Multilevel logistic regression analyses were conducted to examine the association between personal factors and geographic factors and social isolation and loneliness for the total sample, and women and men, respectively. RESULTS: The prevalence of social isolation and loneliness was 5.1% and 10.2%, respectively, but varied substantially across personal characteristics. Personal characteristics (age, sex, education, income, functional impairment, chronic diseases) were significantly related to both social isolation and loneliness, although some differences emerged in the direction of the relationships for the two measures. Associations also differed somewhat for women versus men. Associations between some geographic factors emerged for social isolation, but not loneliness. Living in an urban core was related to increased odds of social isolation, an effect that was no longer significant when FSA-level factors were controlled for. FSAs with a higher percentage of 65+ year old residents with low income were consistently associated with higher odds of social isolation. CONCLUSION: The findings indicate that socially isolated individuals are, to some extent, clustered into areas with a high proportion of low-income older adults, suggesting that support and resources could be targeted at these areas. For loneliness, the focus may be less on where people live, but rather on personal characteristics that place individuals at risk.
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 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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».