Improving prevalence estimates of mental health and well-being indicators among sexual minority men: a propensity-weighting approach
Notice bibliographique
Résumé
The prevalence and relative disparities of mental health outcomes and well-being indicators are often inconsistent across studies of sexual minority men (SMM) due to selection biases in community-based surveys (nonprobability sample), as well as misclassification biases in population-based surveys where some SMM often conceal their sexual orientation identities. The present study estimated the prevalence of mental health related outcomes (depressive symptoms, mental health service use, anxiety) and well-being indicators (loneliness and self-rated mental health) among SMM, broken down by sexual orientation using the adjusted logistic propensity score (ALP) weighting. We applied the ALP to correct for selection biases in the 2019 Sex Now data (a community-based survey of SMMs in Canada) by reweighting it to the 2015-2018 Canadian Community Health Survey (a population survey from Statistics Canada). For all SMMs, the ALP-weighted prevalence of depressive symptoms was 15.96% (95% CI, 11.36%-23.83%), while for mental health service use, it was 32.13% (95% CI, 26.09%-41.20%). The ALP estimates lie in between the crude estimates from the two surveys. This method was successful in providing a more accurate estimate than relying on results from one survey alone. We recommend to the use of ALP on other minority populations under certain assumptions. This article is part of a Special Collection on Mental Health.
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 | 0,047 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».