The effect of a prosocial environment on health and well-being during the first COVID-19 lockdown and a year later
Notice bibliographique
Résumé
The outset of the COVID-19 pandemic was characterized by prolonged periods of chronic stress and social isolation. While studies have investigated the changes to well-being (WB) during this period, the impact of the social environment on long-term physical and mental health requires further study. This study aimed to assess the factors influencing WB and health outcomes, with the hypothesis that a positive social environment would play a significant immediate and long-term role in improving WB and preventing the effects of anxiety associated with the pandemic. At time point 1 (April 2020), an Israeli sample of 206 participants (84% female, mean age 31.5) responded to traditional questionnaires assessing mental health and social support. Factors affecting WB were assessed within subjects during the first COVID-19 lockdown for 6 weeks using a daily survey (Beiwe phone application). A year later, in May 2021, at time point 2, the initial questionnaires were readministered to a subset of the same participants (N = 94). We found that anxiety during the first lockdown adversely affected WB and predicted health and WB deterioration a year later. In contrast, a high quality of social relationships was associated with better short- and long-term WB, and mitigated the adverse effects of anxiety. Daily activities, including physical activity, meditation, and romantic relations, were also positively associated with WB during the first lockdown but did not have long-term effects. In summary, our study underscores the enduring health advantages of a positive social environment, particularly during stressful periods. These results have implications for health policymakers: programs which support individuals with high anxiety and low support, by integrating them into community-based interventions, promise to enhance well-being (WB) and health, as well as to fortify the community as a whole.
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 | 0,001 |
| 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 | 0,001 | 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) | 0,001 | 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 ».