MétaCan
Menu
Retour à la cohorte
Enregistrement W4224235823 · doi:10.1016/s2468-2667(22)00060-3

Policy stringency and mental health during the COVID-19 pandemic: a longitudinal analysis of data from 15 countries

2022· article· en· W4224235823 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueThe Lancet Public Health · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensUniversity of British ColumbiaUniversity of GuelphSimon Fraser University
Organismes subventionnairesEconomic and Social Research Council
Mots-clésPandemicMental healthGovernment (linguistics)Public healthSample (material)Longitudinal studyCoronavirus disease 2019 (COVID-19)PsychologyEnvironmental healthMedicineDemographyGeographySociologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: To date, public health policies implemented during the COVID-19 pandemic have been evaluated on the basis of their ability to reduce transmission and minimise economic harm. We aimed to assess the association between COVID-19 policy restrictions and mental health during the COVID-19 pandemic. METHODS: In this longitudinal analysis, we combined daily policy stringency data from the Oxford COVID-19 Government Response Tracker with psychological distress scores and life evaluations captured in the Imperial College London-YouGov COVID-19 Behaviour Tracker Global Survey in fortnightly cross-sections from samples of 15 countries between April 27, 2020, and June 28, 2021. The mental health questions provided a sample size of 432 642 valid responses, with an average of 14 918 responses every 2 weeks. To investigate how policy stringency was associated with mental health, we considered two potential mediators: observed physical distancing and perceptions of the government's handling of the pandemic. Countries were grouped on the basis of their response to the COVID-19 pandemic as those pursuing an elimination strategy (countries that aimed to eliminate community transmission of SARS-CoV-2 within their borders) or those pursuing a mitigation strategy (countries that aimed to control SARS-CoV-2 transmission). Using a combined dataset of country-level and individual-level data, we estimated linear regression models with country-fixed effects (ie, dummy variables representing the countries in our sample) and with individual and contextual covariates. Additionally, we analysed data from a sample of Nordic countries, to compare Sweden (that pursued a mitigation strategy) to other Nordic countries (that adopted a near-elimination strategy). FINDINGS: Controlling for individual and contextual variables, higher policy stringency was associated with higher mean psychological distress scores and lower life evaluations (standardised coefficients β=0·014 [95% CI 0·005 to 0·023] for psychological distress; β=-0·010 [-0·015 to -0·004] for life evaluation). Pandemic intensity (number of deaths per 100 000 inhabitants) was also associated with higher mean psychological distress scores and lower life evaluations (standardised coefficients β=0·016 [0·008 to 0·025] for psychological distress; β=-0·010 [-0·017 to -0·004] for life evaluation). The negative association between policy stringency and mental health was mediated by observed physical distancing and perceptions of the government's handling of the pandemic. We observed that countries pursuing an elimination strategy used different policy timings and intensities compared with countries pursuing a mitigation strategy. The containment policies of countries pursuing elimination strategies were on average less stringent, and fewer deaths were observed. INTERPRETATION: Changes in mental health measures during the first 15 months of the COVID-19 pandemic were small. More stringent COVID-19 policies were associated with poorer mental health. Elimination strategies minimised transmission and deaths, while restricting mental health effects. FUNDING: None.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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)0,006
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,400
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,318
Tête enseignante GPT0,496
Écart entre enseignants0,178 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle