Behavioral and Mental Responses towards the COVID-19 Pandemic among Chinese Older Adults: A Cross-Sectional Study
Notice bibliographique
Résumé
The novel COVID-19 pandemic spread quickly and continuously influenced global societies. As a vulnerable population that accounted for the highest percentage of deaths from the pandemic, older adults have experienced huge life-altering challenges and increased risks of mental problems during the pandemic. Empirical evidence is needed to develop effective strategies to promote preventive measures and mitigate the adverse psychological impacts of the COVID-19 pandemic. This study aimed to investigate the behavioral responses (i.e., preventive behaviors, physical activity, fruit and vegetable consumption) and mental responses (i.e., depression and loneliness) towards the COVID-19 pandemic among Chinese older adults. A further aim was to identify the associations among demographics, behavioral responses, and mental responses. Using a convenience sampling approach, 516 older adults were randomly recruited from five cities of Hubei province in China. Results of the cross-sectional survey showed that 11.7% of participants did not adhere to the WHO recommended preventive measures, while 37.6% and 8.3% of participants decreased physical activity and fruit–vegetable consumption respectively. For mental responses, 30.8% and 69.2% of participants indicated significantly depressive symptoms and severe loneliness, respectively. Participants’ behavioral and mental responses differed significantly in several demographics, such as age group, living situation, marital status, education levels, household income, medical conditions, and perceived health status. Demographic correlates and behavioral responses could significantly predicate the mental response with small-to-moderate effect sizes. This is the first study to investigate the characteristics of behavioral and mental responses of Chinese older adults during the COVID-19 pandemic. Research findings may give new insights into future developments of effective interventions and policies to promote health among older adults in the fight against the pandemic.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».