Longitudinal Trajectories of Dental Attendance in Australian Adults
Notice bibliographique
Résumé
Understanding how dental attendance evolves throughout life can inform targeted preventive health care policies by identifying key moments when people are more or less likely to seek dental care. Trajectory modeling of age and time trajectories takes a life course approach to understanding dental attendance, offering insights into both developmental perspectives (e.g., life stages) and structural perspectives (e.g., social position and health care systems) throughout the life course. This study used group-based trajectory modeling to identify (1) the age trajectories of dental attendance among Australian adults from young adulthood to retirement age and (2) the distinct time trajectories of dental attendance among Australian working-age adults. Data from the Household, Income and Labour Dynamics in Australia (HILDA) study was used to fit 2 trajectory models (age and time based). Age trajectories were fitted for individuals aged 15 to 64 y using dental attendance data from 3 time points: 2009, 2013, and 2017. Time trajectories were fitted for working-age adults (24–54 y) using data from 2009 to 2017 and descriptively analyzed by social characteristics. Dental attendance was classified as frequent (less than 2 y since the last visit) or infrequent (2 y or longer). Two distinct age trajectories emerged among participants ( N = 11,189): the mostly frequent (75.1%) and declining-infrequent group (24.9%). A sharp decline in the probability of being frequent attendees was observed between 15 and 20 y in a quarter of the population with no subsequent change. Four time trajectories were identified ( n = 7,033): consistently frequent (37.8%), consistently infrequent (8.9%), increasing attendance (22.2%), and declining attendance (31%). Descriptive analysis showed that age and social inequalities were evident in the trajectories. The findings emphasize the need for preventive health care policies that account for life-stage dynamics and their impact on attendance behaviors, in addition to improving structural factors.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».