The Family Stress Model in a representative Canadian sample: A network analysis perspective
Notice bibliographique
Résumé
Mental health challenges have traditionally been viewed in categories; however, more recently, researchers have begun to view psychopathology as a network of symptoms (Boorsboom & Cramer, 2013). In addition to the connection between symptoms, psychopathology is influenced by many contextual factors. The Family Stress Model explains how environmental factors–including economic hardship, family functioning, stressors, and social support–play a role in psychological distress (Masarik & Conger, 2017). However, less is known about how these risk and protective factors fit into a network of psychopathology. Therefore, the current study will explore the network of indicators of positive and negative mental health, as well as their connection to contextual factors, including neighbourhood income, social support, negative social interactions, life stressors, COVID stressors, and childhood adversity. Furthermore, the proposed study will investigate whether these relationships change based on age, gender, and neighbourhood income. References Borsboom, D., & Cramer, A. O. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology, 9, 91–121. https://doi.org/10.1146/annurev-clinpsy-050212-185608 Masarik, A. S., & Conger, R. D. (2017). Stress and child development: A review of the Family Stress Model. Current Opinion in Psychology, 13, 85–90. https://doi.org/10.1016/j.copsyc.2016.05.008
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,031 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,000 |
| Science ouverte | 0,010 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».