Fear of COVID-19 among the Indian youth: A cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Coronavirus disease is a highly infectious and fatal disease. It has caused distress in the form of fear, and anxiety among masses including youth. The psychosocial health of youth is important to build resilient nations after the pandemic is over.This study aimed to capture the level of COVID-19 fear among youth studying in a northern Indian university and to compare it with demographic variables. MATERIALS AND METHODS: This was a cross-sectional study (April-May 2020) conducted among university students in North India. Fear of COVID-19 Scale (FCV-19S) was used for online survey using Google Forms. FCV-19S is a reliable tool for assessing the fear of COVID-19 among the general population. Descriptive statistics and principal component analysis (PCA) with varimax rotation were used for statistical analysis. RESULTS: A total of 521 responses were recorded. The majority (78%) of the participants were in the age group of 18-23 years and more than half (57%) were pursuing graduation. The respondents belonged to 16 states and union territories in the country. A total of 17% reported severe fear, while a few reported moderate (17%) or mild (11%) fear on the FCV-19S. No respondent could be categorized with "no fear" based on the overall FCV-19S score. Approximately, 42% of respondents were nervous after watching news/social media posts about COVID-19. Based on PCA, factor 1 labeled as anxiety toward COVID-19, factor 2 media effect on shaping of fear, and factor 3 thanatophobia as contributing factors for fear among youth. CONCLUSIONS: Reflection of fear among youth suggests that adequate knowledge about COVID-19, preventive steps, treatment options, etc., may be planned to allay fears among youth.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».