Using a longitudinal network structure to subgroup depressive symptoms among adolescents
Notice bibliographique
Résumé
BACKGROUND: Network modeling has been proposed as an effective approach to examine complex associations among antecedents, mediators and symptoms. This study aimed to investigate whether the severity of depressive symptoms affects the multivariate relationships among symptoms and mediating factors over a 2-year longitudinal follow-up. METHODS: We recruited a school-based cohort of 1480 primary and secondary school students over four semesters from January 2020 to December 2021. The participants (n = 1145) were assessed at four time points (ages 10-13 years old at baseline). Based on a cut-off score of 5 on the 9-item Patient Health Questionnaire at each time point, the participants were categorized into the non-depressive symptom (NDS) and depressive symptom (DS) groups. We conducted network analysis to investigate the symptom-to-symptom influences in these two groups over time. RESULTS: The global network metrics did not differ statistically between the NDS and DS groups at four time points. However, network connection strength varied with symptom severity. The edge weights between learning anxiety and social anxiety were prominently in the NDS group over time. The central factors for NDS and DS were oversensitivity and impulsivity (3 out of 4 time points), respectively. Moreover, both node strength and closeness were stable over time in both groups. CONCLUSIONS: Our study suggests that interrelationships among symptoms and contributing factors are generally stable in adolescents, but a higher severity of depressive symptoms may lead to increased stability in these relationships.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».