MétaCan
Menu
← Retour à la cohorte
Enregistrement W7010494867

Immigrants’ Use of Online Mental Health Services during the COVID-19 Pandemic

2024· dissertation· en· W7010494867 sur OpenAlexaboutno aff

Notice bibliographique

RevueQSpace (Queen's University Library) · 2024
Typedissertation
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthOddsPandemicImmigrationConfoundingLogistic regressionOdds ratio
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Purpose: Canadian immigrants tend to have poorer mental health than Canadians and lower access to mental health resources. Online mental health services (OMHS) offer promise in improving access to mental health care and has not been well-researched for Canadian immigrants. Thus, this study characterized Canadian immigrants’ OMHS use during the COVID-19 pandemic considering confounders (i.e., age and previous OMHS use) and effect modifiers (i.e., gender and income). Methods: Data collected by Mental Health Research Canada were used to evaluate the prevalence of OMHS use and immigrants’ access to OMHS. Immigrant groups were defined by generation status and newcomer status, examined with separate models. First generation immigrants were defined by being born abroad, second generation by being born in Canada with at least one parent born abroad, and third generation by being born in Canada with both parents. Multiple logistic regressions accounted for confounders and effect modifiers. Pandemic phase was explored as a hierarchical variable, but included as a covariate instead due to insufficient evidence suggesting clustering. Results: From February 2021 to July 2022, self-reported OMHS use was 11.5%, nearly double the pre-pandemic prevalence of 6.5%. First generation immigrants had significantly lower odds of OMHS use (OR=0.558, 95% CI: 0.409-0.761) compared to third generation Canadians, while second generation Canadians had similar odds (OR=0.987, 95% CI: 0.726-1.342), controlling for covariates. Younger age, self-identifying as female, low income, previous OMHS use, and later pandemic phase increased the odds of OMHS use compared to older age, being male, medium or high income, no previous OMHS use, and earlier pandemic phase. Interactions between immigrant status with income and gender were significant only for first generation immigrants. The second model indicated similar odds of OMHS use for immigrants who lived in Canada for less than five years and those who lived in Canada for more than five years when controlling for age and previous OMHS use (OR= 0.961, 95% CI: 0.722-1.279). Conclusion: This study provided an understanding of immigrants’ OMHS access in Canada and factors influencing OMHS use. It highlighted the need for strategies to increase access for first generation immigrants to ensure equitable OMHS access.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,968
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,308
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueQSpace (Queen's University Library)→Même sujetDigital Mental Health Interventions→Travaux en français237 207→