Depressive symptoms in higher education students during the COVID-19 pandemic: the role of containment measures
Notice bibliographique
Résumé
BACKGROUND: Students are a vulnerable group for the indirect impact of the COVID-19 pandemic, particularly their mental health. This paper examined the cross-national variation in students' depressive symptoms and whether this can be related to the various protective measures implemented in response to the initial stage of the COVID-19 outbreak. METHODS: Student data stem from the COVID-19 International Student Well-being Study, covering 26 countries during the first wave of the COVID-19 pandemic. Country-level data on government responses to the COVID-19 pandemic were retrieved from the Oxford COVID-19 Tracker. Multilevel analyses were performed to estimate the impact of the containment and economic support measures on students' depressive symptoms (n = 78 312). RESULTS: School and workplace closures, and stay-at-home restrictions were positively related to students' depressive symptoms during the COVID-19 pandemic, while none of the economic support measures significantly related to depressive symptoms. Countries' scores on the index of these containment measures explained 1.5% of the cross-national variation in students' depressive symptoms (5.3%). This containment index's effect was stable, even when controlling for the economic support index, students' characteristics, and countries' epidemiological context and economic conditions. CONCLUSIONS: Our findings raise concerns about the potential adverse effects of existing containment measures (especially the closure of schools and workplaces and stay-at-home restrictions) on students' mental health.
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 | 0,014 | 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 | 0,001 |
| 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 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 ».