Unveiling the Complexity of Chinese Nonengaged Youths' Career‐Related Competencies Through Latent Class Analysis: Examining Their Profiles, Mental Health, and Social Well‐Being
Notice bibliographique
Résumé
BACKGROUND: Career-related competencies (CLCs) are essential for nonengaged youths (NEYs) to achieve a successful school-to-work transition. However, there is limited research identifying the characteristics of distinct subgroups based on CLCs. OBJECTIVE: This study aimed to classify patterns of NEYs based on CLCs and to examine differences in demographic characteristics, mental health (i.e., depression and anxiety), and social well-being (i.e., civic engagement, social contribution, and social integration) among the classes identified. METHODS: = 24.65). Latent Class Analysis (LCA) was performed using Mplus to classify CLCs patterns. t-tests and chi-square tests were used to examine differences in demographic characteristics, mental health, and social well-being between subgroups. RESULTS: LCA results indicated that NEYs were grouped into three subgroups: the high CLCs group, the middle CLCs group, and the low CLCs group. The low CLCs group exhibited the lowest performance across all CLC dimensions, the highest prevalence of mental health issues, and the most challenges in social well-being. CONCLUSIONS: The findings highlighted the significance of CLCs for the mental health and social well-being of NEYs during their school-to-work transition. Despite limitations, this study contributed to understanding the subtypes of NEYs regarding CLCs and offered insights for intervention services aimed at enhancing NEYs' CLCs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».