Parallel latent trajectories of mental health and employment earnings among 16- to 20-year-olds entering the US labor force: A 20-year longitudinal study
Notice bibliographique
Résumé
Introduction Depression and anxiety-related mental health and employment earnings are complexly intertwined but have rarely been studied as parallel processes. Objectives Determine the number of latent parallel trajectories of mental health and employment earnings over two decades among a cohort of American youth entering the labor force, and estimate the association between baseline sociodemographic/health factors and latent trajectory class membership. Methods This study included 8,173 participants from the American National Longitudinal Survey of Youth 1997, who were 13–17 years old in 1997. The survey occurred annually until 2011 then biennially until 2017. Mental health was measured eight times using the Mental Health Inventory-5 between 2000–2017. Employment earnings were measured annually between 1998–2017, where participants were 33–37 years old. Latent parallel trajectories were estimated using latent growth modeling. The association between baseline predictors and trajectory membership was explored using multinomial logistic regression. Results Four latent trajectory classes were identified: good mental health, high earnings (3% of sample, average 2017 earnings ˜$196,000 USD); good mental health, medium earnings (23%, average 2017 earnings ˜$78,100); good mental health, low earnings (50%, average 2017 earnings ˜$39,500); and poor mental, low earnings (24%, average 2017 earnings ˜$32,000). Multinomial models revealed participants who were younger, female, Black, Hispanic, who had lower socioeconomic status, and had used marijuana at baseline had higher odds of belonging to the poor mental health, low earnings class. Conclusions Findings highlight the stagnated, parallel course of poor mental health and earnings, and the influence of gender, race, adolescent socioeconomic status, and health behaviors on these trajectories. Disclosure No significant relationships.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».