Mental Health and Victimization Among <scp>LGBTQ</scp>+ Youth: Future Directions for Support in Schools
Notice bibliographique
Résumé
T he impact of the SARS-CoV-2 (COVID-19) pan- demic on the United States (U.S.) education system coupled with the proliferation of anti-lesbian, gay, bisexual, transgender, and queer (LGBTQ+) bills, discrimination and racism has been significant and farreaching-further exacerbating existing mental health disparities and inequities that marginalized youth experience.[1][2][3][4][5][6][7][8][9] Discrimination and racial bias, intersecting with gender bias, can begin as early as preschool and continue to college admissions (as seen by the recent reversal of collegiate Affirmative Action programs by the U.S. Supreme Court).4,5 In addition, 520 anti-LGBTQ+ bills have been introduced across the U.S. in 2023 alone, which is a new record. 1 Many of these bills specifically target bans or restrictions to gender-affirming health care for youth, resources and opportunities for trans students (eg, sports participation, updating gender marker and name in school records, use of pronouns, and undermining the privacy of trans status disclosure to parents), book bans, and
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,002 |
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 ».