The effects of age on quality of mental health during the COVID-19 pandemic
Notice bibliographique
Résumé
Mental health plays a crucial role in the health and well-being of an individual. Although it is becoming an increasingly prominent topic today, the relationship between age and measures of mental health, such as the frequency of mental illness or perceived mental health, has not been formally studied. Over the last 50 years, the median age of Canadians increased, so studying the impacts of increased age on mental health is important. Furthermore, understanding the impacts of age on mental health disorders is crucial for targeting support to correct populations and challenging associated stigmas. We hypothesized that older age groups would have a lower incidence of mental health disorders and a higher rate of people reporting fair or poor perceived mental health because of increased emotional stability and maturity. Using the Survey on COVID-19 and Mental Health by the government of Canada, we investigated the prevalence of two mental health disorders, generalized anxiety disorder (GAD) and major depressive disorder (MDD) to examine the incidence of mental health disorders across four age brackets. From the Canadian Community Health Survey, data on the perceived mental health of Canadians during the pandemic was compared across age groups. We found significant increase in the prevalence of GAD and MDD in the younger age groups. We also found significant negative correlations between the prevalence of mental health disorders and age using linear regressions. These data suggest that more attention should be placed on the mental well-being of younger adults in Canada.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».