Air quality and mental health: evidence, challenges and future directions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Poor air quality is associated with poor health. Little attention is given to the complex array of environmental exposures and air pollutants that affect mental health during the life course. AIMS: We gather interdisciplinary expertise and knowledge across the air pollution and mental health fields. We seek to propose future research priorities and how to address them. METHOD: Through a rapid narrative review, we summarise the key scientific findings, knowledge gaps and methodological challenges. RESULTS: There is emerging evidence of associations between poor air quality, both indoors and outdoors, and poor mental health more generally, as well as specific mental disorders. Furthermore, pre-existing long-term conditions appear to deteriorate, requiring more healthcare. Evidence of critical periods for exposure among children and adolescents highlights the need for more longitudinal data as the basis of early preventive actions and policies. Particulate matter, including bioaerosols, are implicated, but form part of a complex exposome influenced by geography, deprivation, socioeconomic conditions and biological and individual vulnerabilities. Critical knowledge gaps need to be addressed to design interventions for mitigation and prevention, reflecting ever-changing sources of air pollution. The evidence base can inform and motivate multi-sector and interdisciplinary efforts of researchers, practitioners, policy makers, industry, community groups and campaigners to take informed action. CONCLUSIONS: There are knowledge gaps and a need for more research, for example, around bioaerosols exposure, indoor and outdoor pollution, urban design and impact on mental health over the life course.
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.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle