Parenting during the COVID-19 pandemic: The sociodemographic and mental health factors associated with maternal caregiver strain.
Notice bibliographique
Résumé
INTRODUCTION: The COVID-19 pandemic has introduced new stressors for parents ("caregivers") that may affect their own and their child's mental health (MH). We explored self-reported levels of caregiver strain (parents' perceived ability to meet parenting demands), and the MH and sociodemographic factors of caregivers to identify predictors of strain that can be used to guide MH service delivery for families. METHODS: We administered a web-based survey to Ontario caregivers with a child between 4 and 25 years old, between April and June 2020. We analyzed information from 570 maternal caregivers on their sociodemographics, youngest (or only) child's MH, their own MH, and the degree of caregiver strain experienced since the pandemic. We used linear regressions (unadjusted and adjusted models) to explore the relationship between caregiver strain and sociodemographics, child MH and caregiver MH. RESULTS: Over 75% of participants reported "moderate-to-high" caregiver strain. More than 25% of caregivers rated their MH as "poor" and 20% reported moderate-to-severe anxiety. Forty-five percent of the variance in caregiver strain was accounted for by child age, caregiver anxiety, and multiple child and caregiver MH variables. Younger child age and higher caregiver anxiety were the greatest predictors of caregiver strain. CONCLUSION: We found a relationship between child age, child and caregiver MH variables, and caregiver strain. Given the interrelatedness of these factors, supporting caregivers' MH and lessening their role strain becomes critical for family well-being. Evidence-based individual, family, and public health strategies are needed to alleviate pandemic-related strain. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».