Efficiency and Quality of Data Collection Among Public Mental Health Surveys Conducted During the COVID-19 Pandemic: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: The World Health Organization has recognized the importance of assessing population-level mental health during the COVID-19 pandemic. During a global crisis such as the COVID-19 pandemic, a timely surveillance method is urgently needed to track the impact on public mental health. OBJECTIVE: This brief systematic review focused on the efficiency and quality of data collection of studies conducted during the COVID-19 pandemic. METHODS: We searched the PubMed database using the following search strings: ((COVID-19) OR (SARS-CoV-2)) AND ((Mental health) OR (psychological) OR (psychiatry)). We screened the titles, abstracts, and texts of the published papers to exclude irrelevant studies. We used the Newcastle-Ottawa Scale to evaluate the quality of each research paper. RESULTS: Our search yielded 37 relevant mental health surveys of the general public that were conducted during the COVID-19 pandemic, as of July 10, 2020. All these public mental health surveys were cross-sectional in design, and the journals efficiently made these articles available online in an average of 18.7 (range 1-64) days from the date they were received. The average duration of recruitment periods was 9.2 (range 2-35) days, and the average sample size was 5137 (range 100-56,679). However, 73% (27/37) of the selected studies had Newcastle-Ottawa Scale scores of <3 points, which suggests that these studies are of very low quality for inclusion in a meta-analysis. CONCLUSIONS: The studies examined in this systematic review used an efficient data collection method, but there was a high risk of bias, in general, among the existing public mental health surveys. Therefore, following recommendations to avoid selection bias, or employing novel methodologies considering both a longitudinal design and high temporal resolution, would help provide a strong basis for the formation of national mental health policies.
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 | 0,124 | 0,484 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,014 | 0,014 |
| Bibliométrie | 0,017 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».