PREVALENCE AND CORRELATION OF PSYCHOLOGICAL DISTRESS AND COGNITIVE DYSFUNCTION AMONG AI USERS MEDICAL STUDENTS: A CROSS-SECTIONAL STUDY
Notice bibliographique
Résumé
ABSTRACT Objective: This study aims to assess the prevalence and explore the correlation between psychological distress and cognitive dysfunction among medical students utilizing artificial intelligence. Methodology: The cross-sectional survey involved 330 medical students from various programs, aged 18 to 30 years, using non-probability convenience sampling. Participants completed the General Health Questionnaire (GHQ-12) to assess psychological distress and the Montreal Cognitive Assessment (MOCA) for cognitive function. Data collection included face-to-face interviews, with informed consent obtained prior to participation. SPSS version 25 was used for statistical analysis. Results: The findings revealed that 54.5% of participants had normal GHQ scores, while 42.8% experienced psychological distress, including 6.7% with severe distress. MOCA results indicated that 73% of participants scored normally, whereas 27% exhibited mild cognitive impairment. GHQ and MOCA scores showed a moderately positive correlation (r = 0.543, p < 0.001), indicating a negative relationship between cognitive performance and psychological distress. Conclusion: The study highlights a significant prevalence of psychological distress and mild cognitive impairment among medical students, emphasizing the need for targeted mental health interventions within medical education to improve overall well-being and academic performance. Key words: Artificial Intelligence, Psychological Distress, Cognitive Function.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».