Mental health and loneliness in Scottish schools: A multilevel analysis of data from the health behaviour in school‐aged children study
Notice bibliographique
Résumé
BACKGROUND: Adolescent loneliness and poor mental health represent dual public health concerns. Yet, associations between loneliness and mental health, and critically, how these associations vary in school settings are less understood. AIMS: Framed by social-ecological theory, we aimed to identify key predictors of adolescent mental health and examine school-level variation in the relationship between loneliness and mental health. SAMPLE: Cross-sectional data on adolescents from the 2018 wave of the Health Behaviour in School-aged Children study (HBSC) in Scotland were used (N = 5286). METHODS: Mental health was measured as a composite variable containing items assessing nervousness, irritability, sleep difficulties and feeling low. Loneliness was measured via a single item assessing how often adolescents felt 'left out'. Multilevel models were used to identify social-ecological predictors of mental health, associations with loneliness and between-school variation. RESULTS: Loneliness, as well as demographic, social and school factors, was found to be associated with mental health. Mental health varied across schools, with the between-school difference greater among adolescents with high levels of loneliness. Additionally, the negative effect of loneliness on mental health was stronger in schools with lower average mental health scores. CONCLUSIONS: The findings suggest that schools can play an important role in shaping adolescent mental health. Our study uniquely identifies that school-based interventions targeting mental health may be especially necessary among lonely adolescents, and programmes aimed at tackling loneliness may be more beneficial in schools with poorer mental health.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».