LEVERAGING TIME USE DATA TO EXPLORE MIGRANT HEALTH, SOCIALIZING, AND TECHNOLOGY USE
Notice bibliographique
Résumé
Abstract Migrant populations tend to locate near other migrants upon arrival in their receiving country. These residential locations are the result of culturally specific social networks, and they result in differing social networks and cultural contexts relative to the native-born population and other migrant groups. Beyond their physical social networks, migrants also use information and communication technology (ICT) to maintain social connections in their sending country. During the COVID-19 pandemic, public health initiatives to discourage socializing (e.g., closing third places) generated concern about social isolation among older adults, especially due to its association with health. In Toronto, Canada, COVID-era lockdown initiatives were particularly prolonged. During this extended lockdown, we fielded a survey and time-use diary on a convenience sample of older Chinese migrants (n = 77) in the Greater Toronto Area. Using the single-day activity diaries, we grouped respondents using a k-means clustering approach, which resulted in four categories of socializing characteristics. We then used ANOVA tests and multinomial logistic regression to understand the geographic contexts for these socializing behaviors. Findings reveal that this older migrant community was largely socializing online, but a small group reported socializing in person. Regression results reveal that living conditions, physical health, and the location of social networks are associated with how migrants socialize. This study presents a novel method for exploring geographies and activities within the home in tandem.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».