Coping among South Asian individuals living with chronic illnesses: A latent profile analysis
Notice bibliographique
Résumé
Individuals' coping differs based on sociocultural determinants and the nature of illness. This study developed a coping typology for South Asians with chronic illnesses and differentiated the coping profiles based on sociocultural determinants. Individuals ( n = 384) with chronic illness were recruited. The Brief COPE scale was used for data collection and latent profile analysis for typology development. The class differences were examined in terms of age, gender, socioeconomic status, education, type of family, smoking, primary decision maker in the family, type of community, number of years living with chronic illness and type of health care services used. Latent profile analysis supported four class model: Avoider‐Emotion ( n = 34, 9%), Problem‐Emotion ( n = 128, 33.9%), Problem‐Avoider ( n = 55, 14.6%) and Emotion‐Avoider ( n = 161, 42.6%) copers. Comparison of classes across chronic illness showed that individuals with chronic respiratory disorders were Emotion‐Avoider and Avoider‐Emotion copers, those with cardiac problems were Problem‐Emotional and Problem‐Avoiders copers, those with renal problems were Emotional‐Avoiders and Problem‐Emotions copers, and individuals with mental health issues were mainly Problem‐Emotional and Emotion‐Avoider copers. These class differences were statistically different ( χ 2 = 134, df = 18, p < .001). The findings can be useful for developing coping programmes for South Asian populations in low‐ and middle‐income countries and South Asian immigrants.
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 | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 tête enseignante, 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 ».