Can “Rover” help with mental health during the COVID-19 pandemic? Results from the Canadian Longitudinal Study on Aging (CLSA)
Notice bibliographique
Résumé
COVID-19 has negatively affected the mental health and well-being of adults, and thus it is important to examine potential factors which may influence mental health during the pandemic. We thus examined the association between pet ownership and depression/anxiety symptoms based on mental health disorder status during the COVID-19 pandemic. We included 12,068 cognitively healthy participants (45–86 years at study entry) from the Canadian Longitudinal Study on Aging (CLSA) comprehensive cohort who completed the first follow-up ([FU1]; 2015–2018), and COVID-19 Survey entry (April–May 2020) and exit (September-December 2020). Participants self-reported at FU1 if they owned a pet (yes/no). Participants were dichotomized as with or without a mental health disorder based on self-reported diagnosis of depression, anxiety, or mood disorders at baseline assessment (2011–2015) or FU1. Depressive symptoms were indexed using the 10-item Center for Epidemiological Studies Depression Scale (CESD-10) at FU1, and COVID-19 entry/exit surveys. Anxiety symptoms were assessed using the General Anxiety Disorder Questionnaire (GAD-7) at COVID-19 entry/exit surveys. Final models adjusted for age, sex, body mass index, income, education, living status, smoking status, relationship status, and alcohol intake. Forty-percent of participants owned a pet at FU1. Among those without a mental health disorder, there were no significant differences in CESD-10 between participants who owned pets compared with those without pets. For people with a mental health disorder, pet owners had higher CESD-10 (estimated mean difference range: 0.56–1.02 points; p < 0.05) and GAD-7 scores (estimated mean difference range: 0.28–0.57 points; p < 0.05) at both COVID-19 entry and exit surveys. Among people with mental health disorders, pet ownership was associated with poor mental health symptoms during April 2020 to December 2020 of the COVID-19 pandemic.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».