The good, the bad, and the mixed: Experiences during COVID-19 among an online sample of adults
Notice bibliographique
Résumé
Studies have outlined the negative consequences of the COVID-19 pandemic to psychological health. However, the potential within-individual diversity of experiences during COVID-19, and how such experiences relate to indices of psychological distress and COVID-19-specific stressors, remains to be explored. A large online sample of American MTurk Workers (N = 3,731; Mage = 39.54 years, SD = 13.12; 51.70% female) completed short assessments of psychological distress, COVID-19-specific stressors (e.g., wage loss, death), and seven items assessing negative and positive COVID-19 experiences. Latent profile analyses were used to identify underlying profiles of COVID-19 experiences. A four-profile solution was retained representing profiles that were: (1) predominantly positive (n = 839; 22.49%), (2) predominantly negative (n = 849; 22.76%), (3) moderately mixed (n = 1,748; 46.85%), and (4) high mixed (n = 295; 7.91%). The predominantly positive profile was associated with lower psychological distress, whereas both the predominantly negative and high mixed profiles were associated with higher psychological distress. Interestingly, specific COVID-19 stressful events were associated with the high mixed profile. The present study challenges the narrative that the impacts of COVID-19 have been unilaterally negative. Future directions for research are proposed.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».