Using Peer Support to Strengthen Mental Health During the COVID-19 Pandemic: A Review
Notice bibliographique
Résumé
Background: The coronavirus (COVID-19) pandemic has had a significant impact on society's overall mental health. Measures such as mandated lockdowns and physical distancing have contributed to higher levels of anxiety, depression, and other metrics indicating worsening mental health. Peer support, which is peer-to-peer provided social and emotional support, is an underutilized and effective mental health resource that can potentially be used to ameliorate mental health during these times. Objective: This review aims to summarize the toll that this pandemic has had on society's mental health as found in peer-reviewed literature from October 2019 to March 2021, as well as suggest the utility of peer support to address these needs. Methods: References for this review were chosen through searches of PubMed, Web of Science, and Google Scholar for articles published between October 2019 and March 2021 that used the terms: “coronavirus,” “COVID-19,” “mental health,” “anxiety,” “depression,” “isolation,” “mental health resources,” “peer support,” “online mental health resources,” and “healthcare workers.” Articles resulting from these searches and relevant references cited in those articles were reviewed. Articles published in English, French and Italian were included. Results: This pandemic has ubiquitously worsened the mental health of populations across the world. Peer support has been demonstrated to yield generally positive effects on the mental health of a wide variety of recipients, and it can be provided through numerous accessible mediums. Conclusions: Peer support can overall be beneficial for improving mental health during the COVID-19 pandemic and may be an effective tool should similar events arise in the future, although the presence of a few conflicting studies suggests the need for additional research.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».