A Multi-Dimensional View on Mental Distress of Alaskan Adults
Notice bibliographique
Résumé
Mental health impacts every facet of day-to-day life, and therefore it is important to determine what factors influence mental wellbeing in order to best target those areas to improve individuals’ mood and health. This paper analyzes how mental distress rates in Alaskan counties are affected by environmental and societal issues such as latitude, insufficient sleep, access to healthy food, presence of severe housing issues and rates of physical inactivity. By specifically studying mental distress in Alaskan residents, the extremes of day length and population size bring a new dimension to previous research done on mental distress. The variables were derived from County Health Ranking’s 2020 data for Alaskan counties. The rates of frequent mental distress between Alaska (12.01%) and Florida counties (13.64%) in 2020 were significantly different (t = -3.671, p < .001) indicating latitude is related to mental distress. A Pearson correlation (r = .641, p > .001) indicates that as the percentage of those with insufficient sleep increase, the percentage of those with frequent mental distress also increases. Percent of population with severe housing problems (B = .118, t = 5.465, p < .001) and percent with limited access to healthy food (B = .052, t = 2.350, p = .027) significantly contributed to the best fitting step wise linear regression model (F2,26 = 51.957, p < .001) model to account for the variance in the percent of frequent mental distress in Alaska counties in 2020, encompassing 80.0% of the variance in the rate of frequent mental distress.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».