Impact of a daily supportive text message program (text4hope) on the stress, anxiety, and depression levels of elderly (60 years and above) subscribers during the COVID-19 pandemic in Alberta.
Notice bibliographique
Résumé
Introduction One of the biggest global crises in our generation is the COVID-19 pandemic. It has had a severe and far-reaching negative impact on our health systems, economies, and societies. Older adults were particularly at higher risk of severe illness, isolation from social distancing measures, and concerns about their health. Objectives The objective of this study is to evaluate the impact of the daily supportive text message program (Text4Hope) on the levels of stress, anxiety, and depression experienced by elderly subscribers during the COVID-19 pandemic in Alberta six weeks after enrollment. Methods An online survey link was used to gather demographic and clinical information on several self-report scales, such as the Perceived Stress Scale (PSS) ≥ 14 and Generalized Anxiety Disorder 7-item (GAD-7). Scale ≥ 10, and Patient Health Questionnaire-9 (PHQ-9) ≥ 10. Descriptive and inferential statistics were run using SPSS version 25. Results 172 subscribers out of 1136 completed baseline and six weeks using an online questionnaire, giving a response rate of 15.1%. There were significant reductions in mean scores on the PSS-10 and GAD-7 scales at six weeks compared to baseline (P>.05), but not on the PHQ-9 scale. There were also significant reductions in the prevalence of moderate or high stress (68.6% vs 60.5%, p=0.036) and likely GAD (14.9% vs 22.7%, p=0.029) from baseline to six weeks, with the highest reduction in stress (8.1%). A change (27.6% to 25.2%) in the prevalence of likely MDD from baseline to six weeks was insignificant. (P>.05) Conclusions This study’s findings show a decrease in the prevalence rates and the mean scores for stress and anxiety on standardized scales, indicating an improvement from baseline to six weeks. This outcome has potential implications for planning an intervention to meet the mental health needs of the elderly in similar situations like the pandemic Disclosure of Interest None Declared
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 | 0,000 | 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 | 0,000 |
| 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 ».