Longitudinal Predictors of Self-Regulation at School Entry: Findings from the All Our Families Cohort
Notice bibliographique
Résumé
Self-regulation is the ability to manage emotions, modulate behaviors, and focus attention. This critical skill begins to develop in infancy, improves substantially in early childhood and continues through adolescence, and has been linked to long-term health and well-being. The objectives of this study were to determine risk factors and moderators associated with the three elements of self-regulation (i.e., inattention, emotional control, or behavioral control) as well as overall self-regulation, among children at age 5. Participants were mother–child dyads from the All Our Families study (n = 1644). Self-regulation was assessed at age 5. Risk factors included income, maternal mental health, child sex, and screen time, and potential moderation by parenting and childcare. Adjusted odds ratios of children being at risk for poor self were estimated using multivariable logistic regression. Twenty-one percent of children had poor self-regulation skills. Risk factors for poor self-regulation included lower income, maternal mental health difficulties, and male sex. Childcare and poor parenting did not moderate these associations and hostile and ineffective parenting was independently associated with poor self-regulation. Excess screen time (>1 h per day) was associated with poor self-regulation. Self-regulation involves a complex and overlapping set of skills and risk factors that operate differently on different elements. Parenting and participation in childcare do not appear to moderate the associations between lower income, maternal mental health, male sex, and screen time with child self-regulation.
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 | 0,000 | 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 | 0,000 | 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 ».