Factors Influencing Depression and Mental Distress Related to COVID-19 Among University Students in China: Online Cross-sectional Mediation Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 epidemic may elevate mental distress and depressive symptoms in various populations in China. OBJECTIVE: This study investigates the levels of depression and mental distress due to COVID-19, and the associations between cognitive, behavioral, and psychosocial factors, and depression and mental distress due to COVID-19 among university students in China. METHODS: A large-scale online cross-sectional study (16 cities in 13 provinces) was conducted among university students from February 1 to 10, 2020, in China; 23,863 valid questionnaires were returned. The Patient Health Questionnaire-9 was used to assess depression. Structural equation modeling was performed to test mediation and suppression effects. RESULTS: Of the 23,863 participants, 47.1% (n=11,235) reported high or very high levels of one or more types of mental distress due to COVID-19; 39.1% (n=9326) showed mild to severe depression. Mental distress due to COVID-19 was positively associated with depression. All but one factor (perceived infection risks, perceived chance of controlling the epidemic, staying at home, contacted people from Wuhan, and perceived discrimination) were significantly associated with mental distress due to COVID-19 and depression. Mental distress due to COVID-19 partially mediated and suppressed the associations between some of the studied factors and depression (effect size of 6.0%-79.5%). CONCLUSIONS: Both mental distress due to COVID-19 and depression were prevalent among university students in China; the former may have increased the prevalence of the latter. The studied cognitive, behavioral, and psychosocial factors related to COVID-19 may directly or indirectly (via mental distress due to COVID-19) affect depression. Interventions to modify such factors may reduce mental distress and depressive symptoms during the COVID-19 epidemic.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».