The Early 2020 COVID-19 Outbreak in China and Subsequent Flourishing: Medium-Term Effects and Intervening Mechanisms
Notice bibliographique
Résumé
In early 2020, a COVID-19 outbreak occurred in Hubei Province of China. Exploiting the geographic concentration of China’s COVID-19 cases in Hubei (the initial epicenter), we compare Hubei and non-Hubei residents to examine the medium-term effect of exposure to the COVID-19 outbreak on mental well-being. We examine flourishing—a comprehensive assessment of well-being that is not merely the absence of mental illness—and investigate a broad set of psychosocial and economic mediators that may link initial outbreak exposure to subsequent flourishing. We use ordinary least squares regression models to analyze national panel data collected in early 2020 and late 2021 ( N = 3,169). Results show that flourishing scores remain lower for Hubei than non-Hubei residents almost two years following the early 2020 COVID-19 outbreak. Mediation analysis reveals that Hubei residents’ lower incidences of job promotion and lower sense of control are the two most important mediators accounting for their lower flourishing relative to non-Hubei residents. Combined, this study provides the first evidence of the medium-term psychological vulnerability borne by individuals who lived in the initial epicenter of the COVID-19 pandemic. Findings on the intervening mechanisms shed light on the policy initiatives needed for post-pandemic mental well-being recovery in China and other countries.
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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».