eHealth literacy was associated with anxiety and depression during the COVID-19 pandemic in Nigeria: a cross-sectional study
Notice bibliographique
Résumé
Background Electronic health (eHealth) literacy may play an important role in individuals' engagement with online mental health-related information. Aim To examine associations between eHealth literacy and psychological outcomes among Nigerians during the Coronavirus disease-2019 (COVID-19) pandemic. Methods This was a cross-sectional study among Nigerians conducted using the 'COVID-19's impAct on feaR and hEalth (CARE) questionnaire. The exposure: eHealth literacy, was assessed using the eHealth literacy scale, and psychological outcomes were assessed using the PHQ-4 scale, which measured anxiety and depression; and the fear scale to measure fear of COVID-19. We fitted logistic regression models to assess the association of eHealth literacy with anxiety, depression, and fear, adjusting for covariates. We included interaction terms to assess for age, gender, and regional differences. We also assessed participants' endorsement of strategies for future pandemic preparedness. Results This study involved 590 participants, of which 56% were female, and 38% were 30 years or older. About 83% reported high eHealth literacy, and 55% reported anxiety or depression. High eHealth literacy was associated with a 66% lower likelihood of anxiety (adjusted odds ratio aOR, 0·34; 95% confidence interval, 0·20–0·54) and depression (aOR: 0·34; 95% CI, 0·21–0·56). There were age, gender, and regional differences in the associations between eHealth literacy and psychological outcomes. eHealth-related strategies such as medicine delivery, receiving health information through text messaging, and online courses were highlighted as important for future pandemic preparedness. Conclusion Considering that mental health and psychological care services are severely lacking in Nigeria, digital health information sources present an opportunity to improve access and delivery of mental health services. The different associations of e-health literacy with psychological well-being between age, gender, and geographic region highlight the urgent need for targeted interventions for vulnerable populations. Policymakers must prioritize digitally backed interventions, such as medicine delivery and health information dissemination through text messaging, to address these disparities and promote equitable mental well-being.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».