Mental health and decisions under risk among refugees and the public in Lebanon
Notice bibliographique
Résumé
Abstract Lebanon is rapidly adapting public services to meet local needs as well as those of refugees from conflict regions such as Syria. However, these challenges are complicated by high volumes of individuals with poor mental health, who are also at risk of poor decision-making and may avoid the use of health services due to low trust in government institutions, among other reasons. Over 700 individuals residing in Lebanon, including Lebanese nationals, Syrian refugees and Palestinians from Lebanon, completed a series of measures covering decision-making with risk, mental health, and trust. The aim was to determine if significant relationships existed between these three and if those patterns were consistent between the three populations. A widely used well-being questionnaire produced similar unidimensional factor structures as found in other settings, indicating suitability for use in Lebanon, including refugees. Higher subjective well-being was associated with more risk-taking among refugees (β = 0.07, SE = 0.02, z = 4.63, p < 0.01), but not among the Lebanese host population (β = −0.003, SE = 0.01, z = −0.32, p = 0.75). However, average subjective well-being did not significantly differ between the Lebanese host population and refugees (absolute difference = −1.27, 95% CI = [−2.83, 0.29], on a 60-point scale), or between Syrian and Palestinian refugees (absolute difference = −1.53, 95% CI = [−4.16, 1.08]). Behavioural interventions (nudges and boosts) designed to support people in making choices more advantageous for them showed moderate effects. There is a clear pattern of greater risk-taking for refugees with better subjective well-being. This is an important finding as greater risk-taking can be associated with a number of negative health outcomes, particularly in vulnerable populations. While the behavioural interventions do show some effect on improving advantageous choice, these risk patterns are of clear interest to policymakers dealing with the health and well-being of all residents in Lebanon.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».