Prevalence and Psychosocial Correlates of Mental Health Outcomes Among Chinese College Students During the Coronavirus Disease (COVID-19) Pandemic
Notice bibliographique
Résumé
Objectives: To investigate the prevalence and risk factors for poor mental health Chinese university students during the COVID-19 pandemic. Method: Chinese nation-wide on-line cross-sectional survey on university students, collected between February 12th and 17th, 2020. Primary outcome was prevalence of clinically-relevant post traumatic stress disorders symptoms. Secondary outcomes on poor mental health included prevalence of clinically-relevant anxiety and depressive symptoms, while post traumatic growth was considered as indicator of effective coping reaction. Results: Of 2,500 invited Chinese university students, 2,038 completed the survey. Prevalence of clinically-relevant PTSD, anxiety and depressive, symptoms, and PTG were 30.8%, 15.5%, 23.3%, and 66.9% respectively. Older age, knowing people who had been isolated, more ACEs, higher level of anxious attachment, and lower level of resilience all predicted primary outcome (all p < 0.01). Conclusions: A significant proportion of young adults exhibit clinically relevant PTSD, anxious or depressive symptoms, but a larger portion of individuals showed to effectively cope with COVID-19 pandemic. Interventions promoting resilience should be provided, even remotely, to those subjects with specific risk factors to develop poor mental health during COVID-19 or other pandemics with social isolation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».