School and learning contexts during the COVID-19 pandemic: Implications for child and youth mental health
Notice bibliographique
Résumé
Abstract Despite significant disruption to school during the COVID-19 pandemic, research on the impact on children is sparse. This study examines in-person and virtual learning contexts and the impact of school format on mental health (MH). Children and adolescents were recruited from community and clinical settings. Parents and children completed prospective online surveys about school experiences (November 2020) and MH symptoms (February/March 2021), including school format and activities. Standardized measures of depression, anxiety, inattention, and hyperactivity were collected. Hierarchical regression analyses tested associations between school format and MH. Children ( N = 1011; aged 6–18 years) attending school in-person ( n = 549) engaged in high levels of participation in COVID-19 health measures and low levels of social learning activities. Learning online in high school was associated with greater MH symptoms ( B = -2.22, CI[-4.32,-.12] to B = -8.18, CI[-15.59,-.77]). Children with no previous MH condition that attended school virtually experienced a similar magnitude of MH symptoms as those with previous MH conditions. However, children who attended school in a hybrid in-person format, with no previous MH condition, experienced less hyperactivity as same-age peers with prior MH problems ( B = -8.08, CI[1.58,14.58]). Children’s learning environments looked very different compared to before the pandemic. Removing children from school environments and limiting opportunities that support their MH, such as social learning activities, is problematic. Efforts to address the learning contexts to protect the mental health of children are needed.
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 | 0,001 | 0,000 |
| 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 | 0,003 | 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) | 0,000 | 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 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 ».