Who Benefits From Helping? Moderators of the Association Between Informal Helping and Mortality
Notice bibliographique
Résumé
BACKGROUND: While informal helping has been linked to a reduced risk of mortality, it remains unclear if this association persists across different levels of key social structural moderators. PURPOSE: To examine whether the longitudinal association between informal helping and all-cause mortality differs by specific social structural moderators (including age, gender, race/ethnicity, wealth, income, and education) in a large, prospective, national, and diverse sample of older U.S. adults. METHODS: We analyzed data from the Health and Retirement Study, a national sample of U.S. adults aged >50 (N = 9,662). Using multivariable Poisson regression, we assessed effect modification by six social structural moderators (age, gender, race/ethnicity, wealth, income, and education) for the informal helping (2006/2008) to mortality (2010-2016/2012-2018) association on the additive and multiplicative scales. RESULTS: Participants who reported ≥100 hr/year of informal helping (vs. 0 hr/year), had a lower mortality risk. Those who engaged in 1-49 hr/year most consistently displayed lower mortality risk across moderators, while those who engaged in 50-99 and ≥100 hr/year only showed decreased mortality risk across some moderators. When formally testing effect modification, there was evidence that the informal helping-mortality associations were stronger among women and the wealthiest. CONCLUSIONS: Informal helping is associated with decreased mortality. Yet, there appear to be key differences in who benefits from higher amounts of informal helping across social structural moderators. Further research is needed to evaluate how the associations between informal helping and health and well-being are patterned across key social structural moderators.
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 | 0,000 | 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 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 ».