Predictors of time-varying and time-invariant components of psychological distress during COVID-19 in the U.K. Household Longitudinal Study (understanding society).
Notice bibliographique
Résumé
= 17,761, April 2020-March 2021). Using the General Health Questionnaire-12 (GHQ-12), analyses encompassed (a) five annual waves before COVID-19 plus the first survey wave during COVID-19 and (b) eight (bi)monthly waves during COVID-19. We investigated (a) longitudinal measurement invariance of distress, (b) time-invariant and time-varying variance components of distress using latent trait-occasion modeling, and (c) predictors of these different variance components. In all analyses, unique measurement invariance in distress was established, indicating the same unidimensional construct was measured using the GHQ before and during COVID-19. Time-varying variance was higher at the first COVID-19 lockdown (April 2020, 61.2%) compared to before COVID-19 (∼50%), suggesting increased fluctuations in distress at the start of the pandemic. Sensitivity analyses with equal time lags pre- and during COVID-19 confirmed this interpretation. During the pandemic, the highest distress time-varying variance (40.7%) was detected in April 2020, decreasing to 29.0% (July 2020) after restrictions eased. Despite mean-level fluctuations, time-varying variance remained stable during subsequent lockdowns, indicating more rank-order stability after this first major disruption. Loneliness most strongly predicted time-varying variance during the first lockdown. Life dissatisfaction and financial difficulties were associated with both variance components throughout the pandemic. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 ».