MétaCan
Menu
← Retour à la cohorte
Enregistrement W4376641948

Meeting the service needs of youth with and without a self-reported mental health diagnosis during COVID-19.

2023· article· en· W4376641948 sur OpenAlexafffundabout
Ashley D Radomski, Paula Cloutier, Christine Polihronis, Nicole Sheridan, Purnima Sundar, Mario Cappelli

Notice bibliographique

RevuePubMed · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensUniversity of OttawaAgricultural Research Institute of OntarioOntario Centre of Excellence for Child and Youth Mental HealthChildren's Hospital of Eastern Ontario
Organismes subventionnairesCHEO Research Institute
Mots-clésMental healthPandemicService (business)Psychological interventionCoronavirus disease 2019 (COVID-19)Logistic regressionPsychologyMedicinePsychiatryClinical psychologyBusiness
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Background: The COVID-19 pandemic catalyzed major changes in how youth mental health (MH) services are delivered. Understanding youth's MH, awareness and use of services since the pandemic, and differences between youth with and without a MH diagnosis, can help us optimize MH services during the pandemic and beyond. Objectives: We investigated youth's MH and service use one year into the pandemic and explored differences between those with and without a self-reported MH diagnosis. Methods: In February 2021, we administered a web-based survey to youth, 12-25 years, in Ontario. Data from 1373 out of 1497 (91.72%) participants were analyzed. We assessed differences in MH and service use between those with (N=623, 45.38%) and without (N=750, 54.62%) a self-reported MH diagnosis. Logistic regressions were used to explore MH diagnosis as a predictor of service use while controlling for confounders. Results: 86.73% of participants reported worse MH since COVID-19, with no between-group differences. Participants with a MH diagnosis had higher rates of MH problems, service awareness and use, compared to those without a diagnosis. MH diagnosis was the strongest predictor of service use. Gender and affordability of basic needs also independently predicted use of distinct services. Conclusion: Various services are required to mitigate the negative effects of the pandemic on youth MH and meet their service needs. Whether youth have a MH diagnosis may be important to understanding what services they are aware of and use. Sustaining pandemic-related service changes require increasing youth's awareness of digital interventions and overcoming other barriers to care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,688
Score d'incertitude au seuil0,627

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,359
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePubMed→Même sujetCOVID-19 and Mental Health→Travaux en français237 207→