Latent Profile Analysis of Eating Disorders and Emotional Well-being in College Students
Notice bibliographique
Résumé
Abstract Background: University students face a unique combination of academic pressures, transitional life stages, and potential social isolation, which can contribute to the development of unhealthy eating patterns and emotional problems. Objectives: To explore the association between quality of life, emotional problems, and eating disorders (ED) among university students, using Latent Profile Analysis (LPA) to identify distinct eating profiles. Methods: This cross-sectional exploratory study involved a total of 1,798 university students from Brazil and Canada (mean age= 21.2; women = 78.4%). The instruments used included the Addiction-like Eating Behaviour Scale (AEBS), Depression, Anxiety, and Stress Scale (DASS-21), WHOQOL-bref, Yale Food Addiction Scale 2.0 (YFAS), Difficulties in Emotion Regulation Scale (DERS), and Impulsive Behavior Scale (UPPS-P). Results: The LPA, conducted based on the AEBS raw scores due to the absence of diagnostic criteria, identified three eating behavior profiles: Profile 1 with lower scores in AEBS and YFAS, indicating a healthy eating pattern; Profile 2 with high scores, reflecting eating compulsion; and Profile 3 with intermediate characteristics. Profile 2, associated with higher levels of anxiety, depression, and stress, showed a significantly reduced quality of life. No differences were detected regarding nationality, gender, type of university, or housing. Conclusion: The results highlight the complex relationships between eating behavior, mental health, and quality of life in university students, underscoring the need for targeted interventions to improve their well-being. Thus, ED and their consequent impact on mental health and quality of life are increasingly recognized as critical issues among university students, a group uniquely vulnerable to such challenges due to transitional life stages and academic pressures. Keywords: Latent Profile Analysis, Eating Disorders, University Students, Mental Health, Cross-Sectional Study.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,002 | 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 ».