Risk Factors for Depressive Disorders after Coming through COVID-19 and Emotional Intelligence of the Individual
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: COVID-19 has caused many new challenges for humanity worldwide. The pandemic united society from different regions of the planet in the experience of experiencing the epidemic, particularly complications after the disease, including the development of depression and increased anxiety. The study aimed to identify risk factors for depression among people who came through moderate and severe coronavirus infection and to substantiate the role of emotional intelligence as a factor that prevents depressive disorders.
 Methods: The author’s questionnaire, Beck’s Depression Inventory (BDI-II), Emotional Intelligence Test (EmIn), and narrative analysis were used for this purpose.
 Results: The separate groups of respondents, distributed according to their socio-economic status, were studied for their level of general emotional intelligence. High indicators of emotional intelligence of public sector employees who are in constant social interaction were recorded. A group of entrepreneurs focused on solving pragmatic financial and economic problems had low emotional intelligence. Severe depression symptoms were also the most common among a group of entrepreneurs. A decreased level of emotional intelligence in groups of female public sector employees and increased depressive symptoms were empirically found. The physiological factor was the most significant in contributing to depression.
 Conclusions: The main advantage of the study is the empirical justification of the role of internal anti-stress regulation mechanisms, with the development of emotional intelligence as one of the tools. Prospects for further research include improving diagnostic tools and studying the longer-term consequences of coronavirus disease, particularly in different groups of respondents.
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.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle