Stability and Change in Mental Health Profiles from Middle Adulthood to Very Old Age
Notice bibliographique
Résumé
OBJECTIVES: This study investigates mental health (MH) through the dual-factor model, emphasizing both well-being and ill-being. Our objectives were to (1) identify MH profiles based on this model; (2) track these profiles over time; and (3) explore socio-demographic and physical health factors associated with these profiles. METHODS: We employed Latent Transition Analysis on data from 5,561 individuals aged 39-92, using two waves from the Survey of Health, Ageing, and Retirement in Europe. Well-being was assessed via life satisfaction and quality of life, while ill-being was measured through depression and loneliness. The predictors were socio-demographic and physical health variables. RESULTS: Four distinct MH profiles emerged, each with unique levels of well-being and ill-being. Stability was more common in adaptive profiles. Physical health was key in predicting transition. CONCLUSIONS: Identifying MH profiles in old age enhances our understanding of how MH adapts with aging. This approach reveals the complexity of MH beyond traditional ill-being, underscoring the importance of well-being. CLINICAL IMPLICATIONS: • The majority of older adults maintain good MH, suggesting a need for a paradigm shift toward enhancing well-being rather than solely treating ill-being.• Effective MH interventions should integrate both well-being and ill-being assessments to offer understanding and support.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».