Unraveling the influence of offline and online social support on the connection between negative life events and suicidal ideation: a cross-sectional and gender-based examination among Chinese students amid the COVID-19 crisis
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to investigate whether offline and online social support mediate the relationship between negative life events (NLEs) and suicidal ideation among Chinese students during the COVID-19 pandemic, with a focus on gender differences. METHODS: Using stratified sampling, 1,800 middle-high school and university students across China were surveyed. Structural equation modeling (SEM) with bias-corrected bootstrapping (5,000 samples) tested mediation effects, while multigroup SEM evaluated gender invariance. The Adolescent Self-Rating Life Events Checklist (ASLEC), Scale of Suicidal Ideation (SSI), and modified social support scales were administered. RESULTS: Offline social support significantly mediated NLEs’ impact on suicidal ideation: among males, for punishment (indirect effect = -0.007, 95% CI [-0.012, -0.003]) and adaptation (0.009, [0.004, 0.015]); among females, for learning pressure (0.008, [0.003, 0.013]), loss (0.013, [0.006, 0.021]), interpersonal relationships (0.024, [0.015, 0.034]), and adaptation (0.015, [0.008, 0.023]). Online social support showed no mediating effects for either gender. Multigroup SEM confirmed gender-invariant mediation structures (Δχ2 = 3.29, p = 0.17). CONCLUSION: Offline social support serves as a critical mediator of NLEs’ effects on suicidal ideation, with gender-specific pathways. Online support cannot substitute for tangible networks during crises. Findings emphasize the need for gender-tailored offline support interventions and longitudinal research to inform suicide prevention strategies.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».