Moderation of the association between COVID-19-related income loss and depression by receipt of financial support: Repeated cross-sectional surveys of young adults in Canada and France (2020–2021)
Notice bibliographique
Résumé
Background: To mitigate the adverse effects of the COVID-19 pandemic on financial resources, governments and family/friends mobilized financial support interventions (e.g., emergency aid funds) and assistance. However, little is known about how financial assistance alleviated mental health problems. This study aimed to investigate the moderating effect of financial support from the government or from family/friends on the association between income loss and depression among young adults. Methods: ≥10). Two logistic regression models were performed for each survey with an interaction term between income loss and financial support (government or family/friends modeled separately), controlling for demographics. Results: Overall, half reported depressive symptoms (2020/2021: 53.5%/45.6%), and over a third lost income (2020/2021: 10.2%/11.6% all income, 37.7%/21.6% some income). In 2020, 40.6% received government financial support (17.7% in 2021) while family/friends support was received by 12% (in both surveys). In both surveys, among those who received governmental financial support, income loss was associated with depression, whether participants lost all their income (e.g., 2020: Adjusted Odds Ratios (AOR) 1.75, 95% Confidence Interval [1.29-2.44]), or some of their income (e.g., 2020: AOR 1.45 [1.17-1.81]). However, among those who received family/friends financial support, income loss was no longer significantly associated with depression in both cycles, whether participants lost all their income (e.g., 2020: AOR 1.37 [0.78-2.40]), or some of their income (e.g., 2020: AOR 1.31 [0.86-1.99]). Conclusions: Association between income loss and depression was moderated by receipt of family/friends financial support but not by receipt of government financial support. Financial support interventions may help to mitigate the negative effects of income loss on young adults mental health during periods of economic crisis.
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 | 0,002 | 0,004 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».