Predictors of COVID-related changes in mental health in a South African sample of adolescents and young adults
Notice bibliographique
Résumé
= 233 young people (mean age: 17.8 years at baseline, 55.6% female) living in a deprived neighbourhood near Cape Town, South Africa. Symptoms of depression (PHQ-9), anxiety (GAD-7) and alcohol use (AUDIT) were assessed during two waves of data collection, pre-pandemic (2018/19) and via phone interviews in June to October 2020, during South Africa's first COVID wave and subsequent case decline. Latent change score models were used to investigate predictors of changes in mental health. Controlling for baseline levels, we found increases in depression and anxiety but not alcohol use symptoms during the COVID-19 pandemic. Higher baseline symptoms were associated with smaller increases on all measures. Socio-economic deprivation (lack of household income, food insecurity) before and during COVID were associated with higher anxiety and depression symptom increases. Having had more positive experiences during COVID was associated with lower post-COVID onset anxiety and depression increases, and marginally with less alcohol use, while negative experiences (household arguments, worries) were linked to stronger symptom increases. Overall, in a sample of young people from an adverse environment in South Africa, we found increased mental health difficulties during the COVID-19 pandemic, though higher baseline symptoms did not necessarily predict stronger increases. Several factors pre- and post-COVID onset were identified that could be relevant for determining risk and resilience. In the long term, it will be key to address these structural drivers of well-being and to ensure mental health needs of young people are being met to support SSA countries in building back successfully from COVID-19 and preparing for future shock events.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».