Interventions for reducing loneliness: An umbrella review of intervention studies
Notice bibliographique
Résumé
Loneliness is a common phenomenon associated with several negative health outcomes. Current knowledge regarding interventions for reducing loneliness in randomised controlled trials (RCTs) is conflicting. The aim of the present work is to provide an overview of interventions to reduce loneliness, using an umbrella review of previously published systematic reviews and meta-analyses. We searched major databases from database inception to 31 March 2020 for RCTs comparing active versus non-active interventions for reducing loneliness. For each intervention, random-effects summary effect size and 95% confidence intervals (CIs) were calculated. For significant outcomes (p-value < 0.05), the GRADE (Grading of Recommendations Assessment, Development and Evaluation) tool was used, grading the evidence from very low to high. From 211 studies initially evaluated, seven meta-analyses for seven different types of interventions were included (median number of RCTs: 8; median number of participants: 600). Three interventions were statistically significant for reducing loneliness, that is, meditation/mindfulness, social cognitive training and social support. When applying GRADE criteria, meditation/mindfulness (mean difference, MD = -6.03; 95% CI: -9.33 to -2.73; very low strength of the evidence), social cognitive training (8 RCTs; SMD = -0.49; 95% CI: -0.84 to -0.13; very low strength of the evidence) and social support (9 RCTs; SMD = -0.13; 95% CI: -0.25 to -0.01; low strength of the evidence) significantly decreased the perception of loneliness. In conclusion, three intervention types may be utilised for reducing loneliness, but they are supported by a low/very low certainty of evidence indicating the need for future large-scale RCTs to further investigate the efficacy of interventions for reducing loneliness.
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 | 0,028 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,014 |
| Bibliométrie | 0,029 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».