Estimating climate change and mental health impacts in Canada: A cross-sectional survey protocol
Notice bibliographique
Résumé
Climate change has severe and sweeping impacts on mental health. Although research is burgeoning on mental health impacts following climate and weather extremes, less is known about how common these impacts are outside of extreme events. Existing research exploring the prevalence of psychosocial responses to climate change primarily examines university students and uses non-random sampling methods. Herein, our protocol outlines an approach to data collection, processing, and analysis to estimate the population prevalence, magnitude, and distribution of mental health responses to climate change in Canada. A cross-sectional survey of youth and adults aged 13 years and older in Canada will be administered over the course of one year. The questionnaire will take approximately 10 minutes to complete orally and will be administered in English, French, and Inuktitut. The survey will consist of six sections: (1) self-reported past experiences of climate change; (2) self-reported climate-related emotions; (3) self-reported past and current impacts, anticipatory impacts, and vicarious experiences; (4) self-reported subclinical outcomes; (5) self-reported behavioural responses; and (6) demographics. A multi-stage, multi-stratified random probability sampling method will be used to obtain a sample representative of the Canadian population. We will use two different modes of recruitment: an addressed letter sent by postal mail or a telephone call (landlines and cellular). Population-weighted descriptive statistics, principal component analysis, and weighted multivariable regression will be used to analyse the data. The results of this survey will provide the first national prevalence estimates of subclinical mental health responses to climate change outcomes of people living in Canada.
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 | 0,001 | 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 ».