Resilience and Stress in Later Life: A Network Analysis Approach Depicting Complex Interactions of Resilience Resources and Stress-Related Risk Factors in Older Adults
Notice bibliographique
Résumé
BACKGROUND: Emerging systemic approaches on resilience propose that a person's or group's adaptability to significant stress relies on a network of interdependent resources. However, little knowledge exists on systemic resilience in older survivors of early-life adversity (ELA) and how ELA affects their resource network in later life. OBJECTIVE: This study investigated how ELA may be linked to the interplay of resources and stress-related risk factors in later life. RESEARCH DESIGN AND METHODS: = 70.43 years; 46.40% female) were assessed. Half the participants were affected by ELA through compulsory social measures and placements in childhood, and/or adolescence ("risk group"). The other half were age-matched, non-affected participants ("control group"). Using psychometric instruments, a set of resilience-supporting resources in later life and current stress indices were assessed. Regularized partial correlation networks examined the interplay of resources in both groups, whilst also considering the impact of stress. RESULTS: Both groups demonstrated only positive resource interrelations. Although the control group showed more possible resource connections, the groups did not significantly differ in the overall strength of connections. While group-specific resource interrelations were identified, self-esteem was observed to be the most important resource for the network interconnectedness of both groups. The risk group network showed a higher vulnerability to current stress. DISCUSSION AND IMPLICATIONS: Network analysis is a useful approach in the examination of the complex interrelationships between resilience resources and stress-related risk factors in older adulthood.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».