MétaCan
Menu
Retour à la cohorte
Enregistrement W3091192251 · doi:10.4103/hm.hm_22_20

Mental Health Challenges Raised by Rapid Socioeconomic Transformations in China

2020· article· en· W3091192251 sur OpenAlexaff
Yankun Sun, Yanping Bao, Arun Ravindran, Yan Sun, Jie Shi, Lin Lü

Notice bibliographique

RevueHeart and Mind · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHealth disparities and outcomes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMental healthLife expectancyIndustrialisationEconomic growthSocioeconomic statusSustainable developmentChinaUrbanizationPopulationEnvironmental healthSocial determinants of healthQuality of life (healthcare)Development economicsHealth careSocioeconomicsPsychologyPolitical scienceMedicineEconomicsPsychiatryNursing

Résumé

récupéré en direct d'OpenAlex

China's rapid economic development has contributed to health improvement, such as increasing life expectancy, reducing communicable diseases, and mortality rate. However, the sustainable social and economic transformations, including industrialization, urbanization, globalization, and informatization, have triggered huge challenges to population health in China, particularly to mental health. This review discussed the mental health problems due to socioeconomic changes such as population, life-style, and environment changes, as well both the economic and disease burden of mental disorders. With awareness of these challenges, the following three possible responses are proposed: identify social and economic impact on mental health based on high-quality qualitative and quantitative analysis; improve mental health awareness and literacy; and enhance mental health-care system and promote implementation research. Lessons from China can be a great reference for other low- and middle-income countries. With efforts overcoming the current and potential challenges on mental health, the Sustainable Development Goals on mental health can be possibly achieved by 2030.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil0,502

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,325
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHeart and MindMême sujetHealth disparities and outcomesTravaux en français237 207