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 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 | 0,007 | 0,001 |
| 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 | 0,001 |
| 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 ».