Identifying pathways to increased volunteering in older US adults
Notice bibliographique
Résumé
Abstract While growing evidence documents strong associations between volunteering and improved health and well-being outcomes, less is known about the health and well-being factors that lead to increased volunteering. Using data from 13,771 participants in the Health and Retirement Study (HRS)—a diverse, longitudinal, and national sample of older adults in the United States—we evaluated a large range of candidate predictors of volunteering. Specifically, using generalized linear regression models with a lagged exposure-wide approach, we evaluated if changes in 61 predictors spanning physical health, health behaviors, and psychosocial well-being (over a 4-year follow-up between t 0 ; 2006/2008 and t 1 ; 2010/2012) were associated with volunteer activity four years later (t 2 ; 2014/2016). After adjusting for a rich set of covariates, certain changes in some health behaviors (e.g., physical activity ≥ 1x/week), physical health conditions (e.g., physical functioning limitations, cognitive impairment), and psychosocial factors (e.g., purpose in life, constraints, contact with friends, etc.) were associated with increased volunteering four years later. However, there was little evidence that other factors were associated with subsequent volunteering. Changes in several indicators of physical health, health behaviors, and psychosocial well-being may predict increased volunteering, and these factors may be novel targets for interventions and policies aiming to increase volunteering in older adults.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».