Facilitating and Inhibiting Factors of Social Participation in the Elderly Based on Health-promoting Behaviors: A Cross-sectional Study
Notice bibliographique
Résumé
Objectives Social participation is a determining factor for promoting health and well-being. This study aims to investigate the factors facilitating and inhibiting the social participation of the elderly in Kerman, Iran based on their health-promoting behaviors. Methods & Materials This cross-sectional study was conducted on 276 elderly people over 60 years old in Kerman city in 2020. They completed a demographic from, the questionnaire of social participation based on the Canadian Community Health Survey, and the questionnaire of health- promoting behaviors. Descriptive statistics and statistical tests including univariate and multivariate regression were used for data analysis. Data were analyzed in SPSS software, version 26, and P<0.05 was considered statistically significant. Results The Mean±SD score of social participation was 6.71±4.01. Illness and health problems (50.3%), costs (39.1%), commuting problems (31.1%), low mood (29.3%), and COVID-19 pandemic (28.2%) were the most common barriers to social participation. The elderly who were single (P<0.001), younger (P<0.001), with academic degree (P<0.001), and low number of children (P<0.001) had significantly higher social participation. Multivariable analysis showed that physical activity (P=0.033), disease prevention (P=0.002), and physical and social health (P<0.001) were the factors affecting social participation of the elderly. Conclusion The social participation of the elderly in Kerman is affected by multiple factors. Therefore, planning to manage diseases, increase income, and solve the transportation problems of the elderly are recommended to improve their social participation.
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 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».