Health Literacy, Cognitive Impairment, and Diabetes Knowledge Among Incarcerated Persons Transitioning to the Community: Considerations for Intervention Development.
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to evaluate the relationships of health literacy (HL; Short Test of Functional Health Literacy), cognitive impairment (CI), and diabetes knowledge (DK) among incarcerated persons transitioning to the community. METHODS: Using preintervention data from a quasi-experimental nonequivalent control group study evaluating the feasibility of a six-session literacy-tailored Diabetes Survival Skills intervention for incarcerated men transitioning to the community, we conducted correlational analyses among the Short Test of Functional Health Literacy, Montreal Cognitive Assessment, and Spoken Knowledge in Low Literacy in Diabetes Scale using the SPSS PROCESS macro and bias-corrected bootstrapping to test the meditational hypothesis: HL mediates the relationship between CI and DK. RESULTS: Participants ( N = 73) were incarcerated for 1-30 years with a mean age of 47 (9.9) years, 40% Black, 19% White, and 30% Hispanic, with 78% having high school/GED or less education. Most (70%) screened positive for CI and had low DK, and 20% had marginal or inadequate HL. HL, CI, and DK were positively associated with each other. Controlling for race, age, and group (control/experimental), cognitive function had a significant direct effect on HL ( b = 0.866, p = 0.0003) but not on DK ( b = 0.119, p = 0.076). Results indicated a significant indirect effect of cognitive functioning on DK via HL, 95% confidence interval [0.300, 0.1882]. CONCLUSION: Intervention approaches aimed at increasing HL or tailored to low HL in the presence of CI may be effective in increasing DK in this population. IMPLICATIONS: Given the low risk to high benefit of implementing literacy-tailored approaches to persons in prison and the population demographics from studies supporting a high degree of CI, nurses should consider implementing literacy-tailored approaches and screening for CI before participation in all educational programs.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».