Minority Stress, Resilience, and Trouble Falling Asleep Among Gender and Sexual Minority Adolescents
Notice bibliographique
Résumé
INTRODUCTION: Gender and sexual minority adolescents experience greater stress and report worse sleep outcomes compared to their cisgender and/or heterosexual peers. Understanding how minority stress and resilience factors are linked to sleep health provides levers for improving sleep within these populations. METHODS: = 15.6 years; 65% white), we compared gender/sex and sexuality subgroups' trouble falling asleep and conducted linear regressions relating trouble falling asleep to minority stress (i.e., violent victimization, bias-based victimization, and family rejection) and resilience (i.e., familial warmth, family acceptance, gender-affirming environments, teacher support, trusted adult at school, and presence of a gender-sexuality alliance [GSA]) factors for both gender and sexual minority adolescents. RESULTS: We found small but significant differences in sleep across gender/sex categories, with gender minorities and youth assigned female at birth having worse sleep than cisgender sexual minorities and youth assigned male at birth, respectively. Further, violent LGBTQ+ victimization and gender expression-based victimization were associated with more trouble falling asleep, and familial warmth was associated with less trouble falling asleep for both groups. For cisgender sexual minorities, family rejection and gender-based victimization were also linked with worse sleep while presence of a GSA and a trusted adult at school were linked with better sleep. For gender minorities, gender-segregated restroom use was also linked with better sleep. CONCLUSIONS: Victimization prevention, increased access to school supports, and improved family connectedness may help enhance LGBTQ+ youth sleep quality and overall health.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».