The effects of sleep quality, sleepiness, fatigue, and psychological resilience on attention performance
Notice bibliographique
Résumé
Introduction:The aim of the study was to examine the relationships between sleep quality, sleepiness, fatigue, resilience, and attention parameters in a sample consisting of university students. Material and methods:The study involved 123 university students aged between 18 and 33 years.A sociodemographic data form, the Pittsburgh Sleep Quality Index (PSQI), Epworth Sleepiness Scale (ESS), Fatigue Severity Scale (FSS), Depression, Anxiety, and Stress Scale (DASS 21), and the Brief Resilience Scale (BRS) were administered to the participants.Attention assessment was conducted using the Cognitrone (COG), Signal Detection (SIGNAL), Inhibition (INHIB), and Perception and Attention Functions Battery, part of the computerbased Vienna Test System (VTS).Results: Out of all the participants, 77.2% were female, and 22.8% were male, with an average age of 21.53 (SD = 2.54) years.A positive correlation was found between COG-Corrects and PSQI scores, and COG-Incorrects and DASS-Stress.There was a negative correlation between SIGNAL-Corrects and FSS.No correlation was revealed among sleep quality, sleepiness, fatigue, resilience variables, and reaction inhibition or divided attention.Furthermore, multiple regression analysis indicated that attention scores were predicted only by sleep quality and fatigue severity. Conclusions:Based on the study's findings, it is conceivable that situational factors such as sleep quality, sleepiness, and fatigue have a more significant impact on attention compared with constant variables such as depression, anxiety, stress, and resilience.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».