Early- to Late-Life Environmental Factors and Late-Life Global Cognition: The SONIC study
Notice bibliographique
Résumé
Abstract Life environment across the life course—such as engagement in late-life leisure activity (LA), primary occupation, and early-life education—have been reported to be associated with better late-life cognitive outcomes. However, few studies have included all these factors from the past to the present due to the time-consuming procedure to measure all factors. This study examined (1) whether late-life LA is associated with better late-life cognition, after considering other life environments and (2) whether occupation, education, and childhood intelligence quotient have indirect effects on the late-life cognition through late-life LA. We used baseline data from the groups of 70- and 80-year-olds in the SONIC study (N = 1721 ). Global cognition was measured using the Montreal Cognitive Assessment. As for LA, participants were asked for yes/no answers to questions regarding their engagement in 158 activities. A latent factor representing LA was used in the analyses. We retrospectively evaluated the complexity of work with data, people, and things. As early-life environments, education and language and arithmetic abilities during elementary school were included in the analyses. Age and gender were controlled. A structural equation model showed that late-life LA was significantly associated with higher global cognition, even after controlling for all past factors (RMSEA = .050, GFI = .973, AGFI = .947). Sobel tests showed significant indirect effects of occupation, education, and childhood abilities on cognitive function. Results were robust across age and gender. It is suggested that engagement in LA explains individual differences in late-life cognitive function.
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 | 0,001 |
| 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) | 0,001 | 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 ».