Wat maakt jongeren (on)gelukkig?
Notice bibliographique
Résumé
Uit een recente bevraging van Roden Neuzen dag (2018) op scholen in Vlaanderen blijkt dat de leerkrachten wekelijks te maken te hebben met leerlingen met psychische problemen. Zowel in Vlaanderen als wereldwijd kampt per jaar 1 op de 5 jongeren met mentale problemen (World Health Organization, 2003). Dit is een zorgelijke ontwikkeling aangezien diezelfde psychische problemen op hun beurt weer kunnen leiden tot ernstige gevolgen, waaronder alcohol- en drugsmisbruik, sociale isolatie, vroegtijdig schoolverlaten, automutilatie (Glied & Pine, 2002), en een algeheel laag welbevinden (Bartels, Cacioppo, van Beijsterveldt, & Boomsma, 2013; Moksnes et al., 2016). Een laag algeheel welbevinden kan vervolgens weer leiden tot nog meer psychologische, sociale en gedragsproblemen, waardoor jongeren in een negatieve spiraal terecht kunnen komen. Daarentegen blijkt een hoog welbevinden juist als buffer te kunnen dienen om beter om te gaan met stress en problemen (Park, 2004). Voor een positieve ontwikkeling van jongeren is het daarom van groot belang om voldoende aandacht te besteden aan hun welbevinden en deze waar nodig te vergroten. Aan de hand van de JOP-Schoolmonitor 2 (2018) van het JeugdOnderzoeksPlatform (Bradt, Pleysier, Put, Siongers, & Spruyt, 2019) werd daarom het welbevinden van jongeren in Vlaanderen tussen de 12 en 21 jaar , en de factoren die daaraan bij kunnen dragen, in kaart gebracht.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,009 |
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 ».