An intersectional perspective on the sociodemographic and clinical factors influencing the status of Not in Education, Employment, or Training (NEET) in patients with first-episode psychosis (FEP)
Notice bibliographique
Résumé
Purpose: High rates of Not in Education, Employment or Training (NEET) are seen in people with first episode of psychosis (FEP). Sociodemographic and clinical factors were reported to be associated with NEET status in FEP patients. This study follows Intersectionality to examine the independent and additive effects, and most importantly the intersections of sociodemographic and clinical variables concerning NEET status in FEP patients. It was hypothesized that NEET status in FEP patients would be described by the intersection between at least two predictor variables.Methods: Secondary analyses with chi-square tests, multiple logistic regression and Chi-squared Automatic Interaction Detection (CHAID) analyses were performed on 440 participants with FEP.Results: Chi-square tests indicated that patient socioeconomic status and negative symptom severity were significantly and independently associated with their NEET status. Multiple logistic regression suggested additive effects of age (odds ratio = 1.61), patient socioeconomic status (odds ratio = 1.55) and negative symptom severity (odds ratio = 1.75) in predicting patients’ NEET status. CHAID detected an intersection between patients’ negative symptom severity and socioeconomicstatus in shaping their NEET status.Conclusion: This study explored how the NEET status of patients with FEP was explained not only by the separate effects of negative symptom severity and socioeconomic status but also by the unique intersections of their clinical and social identities. Findings indicated that functional outcomes of patients appear co-constructed by the intersections of multiple identities. Crucial clinical implications of complementing care for negative symptom severity with vocational resources to improve functional outcomes of patients are discussed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».