← Retour à la cohorte
Results of the COVID-19 mental health international for the general population (COMET-G) study
Konstantinos Ν. Fountoulakis, Grigorios N. Karakatsoulis, Seri Abraham, Kristina Adorjan, Helal Uddin Ahmed, Renato D. Alarcón, Kiyomi Arai, Sani Salihu Auwal, Michael Berk, Sarah Bjedov, Julio Bobes, Teresa Bobes-Bascarán, Julie Bourgin-Duchesnay, Cristina Bredicean, Laurynas Bukelskis, Akaki Burkadze, Indira Indiana Cabrera Abud, Ruby Castilla‐Puentes, Marcelo Cetkovich, Héctor Colón-Rivera, Ricardo Corral, Carla Cortez-Vergara, Piirika Crepin, Domenico De Berardis, Sergio Zamora Delgado, David Freitas de Lucena, Avinash De Sousa, Ramona Di Stefano, Seetal Dodd, Livia Priyanka Elek, Anna Elissa, B. Erdelyi-Hamza, Gamze Erzın, Martín Etchevers, Peter Falkai, Adriana Farcas, I. А. Fedotov, Viktoriia Filatova, Nikolaos K. Fountoulakis, Iryna Frankova, Francesco Franza, Pedro Frias, Tatiana Galako, Cristián Javier Garay, Leticia García-Álvarez, María Paz García‐Portilla, Xénia Gonda, Tomasz Gondek, Daniela Morera González, Hilary Gould, Paolo Grandinetti, Arturo Grau, Violeta Groudeva, Michal Hagin, Takayuki Harada, M. Tasdik Hasan, Nurul Azreen Hashim, Jan Hilbig, Sahadat Hossain, Rossitza Iakimova, Mona Ibrahim, Felicia Iftene, Yulia Ignatenko, Matías Irarrázaval, Zaliha Ismail, Jamila Ismayilova, Asaf Jacobs, Miro Jakovljević, Nenad Jakšić, Afzal Javed, Helin Yılmaz Kafalı, Sagar Karia, Olga Kazakova, Doaa Khalifa, Олена Хаустова, Steve Koh, Svetlana Kopishinskaia, Korneliia Kosenko, Sotirios A. Koupidis, Illés Kovács, Barbara Kulig, Alisha Lalljee, Justine Liewig, Abdul Majid, Evgeniia Malashonkova, Khamelia Malik, Najma Iqbal Malik, Gulay Mammadzada, Bilvesh Mandalia, Donatella Marazziti, Darko Marčinko, Stephanie Martinez, Eimantas Matiekus, Gabriela Mejia, Roha Saeed Memon, Xarah Elenne Meza Martínez, Dalia Mickevičiūtė, Roumen Milev, Muftau Mohammed, Alejandro Molina-López, Petr Morozov, Nuru Suleiman Muhammad, Filip Mustač, Mika S. Naor, Amira Nassieb, Alvydas Navickas, Tarek Okasha, Liliya Panteleeva, Ion Papavă, Mikaella E. Patsali, Alexey Pavlichenko, Bojana Pejušković, Mariana Pinto da Costa, Mikhail Popkov, Dina Popović, Nor Jannah Nasution Raduan, Francisca Vargas Ramírez, Elmārs Rancāns, Salmi Razali, Federico Rebok, Anna Rewekant, Elena Flores, María Teresa Rivera-Encinas, Pilar A. Sáiz, Manuel Sánchez de Carmona, David Saucedo Martínez, Jo Anne Saw, Görkem Saygılı, Patricia Schneidereit, Bhumika Shah, Tomohiro Shirasaka, Ketevan Silagadze, Satti Sitanggang, Oleg Skugarevsky, Anna Spikina, Sridevi Sira Mahalingappa, Maria Stoyanova, Anna Szczegielniak, Simona Claudia Tamasan, Giuseppe Tavormina, Maurilio Giuseppe Maria Tavormina, Pavlos N. Theodorakis, Mauricio Tohen, Eva-Maria Tsapakis, Dina Tukhvatullina, Irfan Ullah, Ratnaraj Vaidya, Johann M. Vega‐Dienstmaier, Jeļena Vrubļevska, Olivera Vuković, O. Vysotska, Anna Yashikhina, Panagiotis Prezerakos, Daria Smirnova
Notice bibliographique
RevueEuropean Neuropsychopharmacology · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensQueen's UniversityArtificial Intelligence in Medicine (Canada)Child, Adolescent and Family Mental Health
Organismes subventionnairesWorld Health Organization
Mots-clésMental healthDepression (economics)AnxietyPsychiatryDistressPopulationPsychological interventionClinical psychologyMental distressPsychologyMedicineDemographyEnvironmental health
Résumé
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.
Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.
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.
score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,382
Score d'incertitude au seuil0,516
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 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 | 0,001 | 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.
Tête enseignante Opus0,109
Tête enseignante GPT0,476
Écart entre enseignants0,367 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation
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.
Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».
En bref
Citations138
Publié2021
Routes d'admission1
Résumé présentnon