Predictors of stigma perception by people with type 1 diabetes: A cross-sectional analysis of the BETTER registry
Notice bibliographique
Résumé
AIMS: This study investigates stigma predictors across ages and genders, addressing a critical gap in understanding diverse populations to reduce related suboptimal clinical and psychosocial outcomes. METHODS: Cross-sectional analysis of self-reported data from BETTER, a Canadian registry of people with type 1 diabetes. Participants (n = 709) completed the 19-item-Diabetes-Stigma Assessment-Scale (DSAS-1) categorized into treated differently, blame and judgment, and identity concerns sub-scales. Associations with diabetes distress (DDS-17-score/102), depression (PHQ-9-score/27), social-support (ESSI-score/34), fear of hypoglycemia (HFS-II-score/132), and hyperglycemia-avoidance-behaviours (HAS-score/88) were computed. RESULTS: Perceived stigma was highest in youth aged 14-24 years (46·0 ± 15·6, p < 0·001) and women (41·2 ± 15·7, p = 0·009), compared to other age groups and men. Blame and Judgment contributed to most of stigma perception. Youth perceived significantly more blame and judgment (p < 0·001) and identity concerns (p = 0·001) compared to middle-aged adults and seniors. Women perceive significantly more blame and judgment compared to men (p < 0·001). The perception of being treated differently was not reported to be an issue across ages and genders. Participants with higher scores of depression, diabetes-distress, fear of hypoglycemia, hyperglycemia-avoidance behaviours, and lesser social-support, reported increased stigma. CONCLUSIONS: Stigma varies by age and gender, underscoring the need for targeted interventions to reduce it. Challenging stereotypes and reducing stigma-related stressors are essential for better outcomes.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».