Patterns of mental health problems among children: multilevel joint latent class analysis
Notice bibliographique
Résumé
Child and Adolescent mental health disorders (MHD) are a global issue that have significant impacts on individuals, families, society, and the economy. It is important to identify specific subgroups within children population and traditional methods of identifying subgroups using single informant may not be effective, leading to inaccurate findings. Multilevel latent class models are not yet explored for clustering schools with nested children exhibiting similar behavior patterns. The objectives of this thesis are: i) to analyze the mental health patterns among children using multiple informants and compare with those obtained from single informant; ii) to capture the heterogeneity of mental health patterns across schools and cluster schools based on these patterns; and iii) to assess the effect of school-level and individual-level factors on clusters of schools and mental health patterns of children respectively. We employed a proposed Latent Class Analysis (LCA) technique to classify students into latent mental health patterns, integrating assessments provided by both teachers and students in Manitoba Grade 5 Mental Health Survey. We extended the proposed LCA model to accommodate the nested structure of the data by specifying categorical latent variable to cluster schools. Additionally, we performed multinomial logistic regression to assess the effects of school-level and student-level factors. We identified six mental health classes (high, moderately high, medium, mild, mild internalizing and low risk) for each informant and three mental health patterns: high-risk, low-risk, and self-reported risk among students integrating both reports. Three mental health clusters: high-risk, low-risk and student-reported risk clusters among schools were identified. Male, Canadian-born, and those engaged in bullying activities reported by teachers had higher odds of being in high-risk pattern and a higher prevalence of bullying in school settings was associated with higher odds of being in the high-risk and student-reported risk school clusters. The proposed model provides a classification technique to analyze data from multiple informants within hierarchical structure by considering the possible correlations among assessments and within higher-level groups. The mental health patterns identified in this study guide policymakers in developing teacher training programs, offering insights into tailored interventions for students' specific needs.
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».