Mental health screening in refugees communities: Ukrainian refugees and their post-traumatic stress disorder specificities
Notice bibliographique
Résumé
Post-Traumatic Stress Disorder (PTSD) symptoms are often consequences of war conflicts that generate trauma in people, resulting from the loss of family, home and belonging. It is associated with the forced migration and lack of structured facilities or health professionals in the hosting country, as a result of varying degrees of clinical assessment and sociocultural intervention. To evaluate the lack of resources for refugees from Ukraine, as well for clinical and research purposes, this study examined the validity and psychometric properties of one Ukrainian adapted version of the PCL-5 (Check-List for PTSD) and the convergent validity for the four factor model of DSM-5 for PTSD. Varying reactions to war events and war zone characterization are among the variables expected to produce PTSD group differences in these refugees. Thus, PTSD was investigated in 77 Ukrainian refugees, who had resided in Portugal for a minimum of four weeks, and who answered the 20-item PCL-5 scored on a Likert scale. The PCL-5 revealed satisfactory convergent validity overall, and in the clusters of the four factor model, based on the DSM-5. Additionally, the role of the participants’ age, sex, education level, time of residence in the host country, and the average income before the russo-ukrainian war was evaluated. 34 of 77 met the criteria for PTSD with a good fit for the four factor model (as the original of DSM-5 for PTSD) after the Confirmatory Factorial Analysis (CFA) was conducted. Mediating factors found for PTSD: female, young adults, high-income in Ukraine, low level of education, married, solo migration. Further investigation into factor modeling and clinical practice 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 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 | 0,001 |
| 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 ».