The impact of the COVID-19 pandemic on overweight and obesity: the case of NEET in Türkiye
Notice bibliographique
Résumé
The study aims to investigate how COVID-19 pandemic affects the probability of being overweight or obese in the case of NEET in Türkiye. This study delves into the comprehensive dataset provided by the Turkish Health Research Surveys from 2014 to 2022. The primary focus is on individuals aged 15–29, with a specific exploration of the repercussions of the COVID-19 pandemic on health conditions. The investigation centers on deciphering the intricate connections between NEET (Not in Education, Employment, or Training) status, pandemic ramifications, and the likelihood of being overweight or obese. Leveraging probit models and meticulous control for variables such as age, gender, regional fixed effects, and completed education levels, our findings indicate significant associations. Notably, the NEET subgroup demonstrates a 5.8% increase in the probability of being obese or overweight. We find suggestive evidence that the pandemic contributes to a marginal increase of 1.2%. A particularly intriguing revelation surfaces as being NEET significantly amplifies the likelihood of overweight or obesity in young females. Education plays a vital role in preventing overweight or obesity, as higher education levels correlate with a lower likelihood of obesity. Moreover, we analyze different age groups, our results show that being NEET is positively associated with the probability of overweight or obesity for females aged 19–24 and 25–29 in the post-pandemic period, indicating higher sensitivity to the pandemic among NEET females.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».