University Students’ Self-Rated Health and Use of Health Services: A Secondary Analysis
Notice bibliographique
Résumé
BACKGROUND: University students belonging to various ethnic groups have specific health needs that influence their self-rated health and health service use. PURPOSE: To examine which determinants of health serve as key predictors of self-rated health and health service use in a sample of ethnically diverse undergraduate students. METHODS: (N = 10,512). Logistic regression was used to explore the predictors of self-rated health and use of university-based health services according to ethnicity. RESULTS: Social support (Caucasian: odds ratio (OR) = 1.018; 95% confidence interval (CI) [1.008, 1.028]; African: OR = 1.890; 95% CI [1.022, 1.160]; Other: OR = 1.096; 95% CI [1.023, 1.175]), and depression risk (Caucasian: OR = .899; 95% CI [.844, .914]; Indigenous: OR = .904; 95% CI [.844, .969]; Asian: OR = .894; 95% CI [.839, .953]; Multiracial: OR = .892; 95% CI [.812, .980]) were the most frequent predictors of self-rated health across the different ethnic groups; while year of study (Caucasian: OR = 1.855; 95% CI [1.764, 1.952]; African: OR = 2.979; 95% CI [2.068, 4.291]; Indigenous OR = 1.828; 95% CI [1.371, 2.436]; Asian: OR = 1.457; 95% CI [1.818, 1.797]; Middle Eastern: OR = 1.602; 95% CI [1.088, 2.359]; Other: OR = 1.485; 95% CI [1.093, 2.018]; Multiracial: OR = 2.064; 95% CI [1.533, 2.778]) was found to be the most significant predictor of health service use. CONCLUSION: Findings from this research shed light on the various factors that impact university students belonging to different ethnic groups, their health, and their access to healthcare that addresses their distinct health needs. Nurses can advocate for the development of health promotion and illness prevention strategies that target the needs of the diverse student population.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».