Postsecondary Education and Adult Health Lifestyles: Examining Sources of Disparities
Notice bibliographique
Résumé
Objectives: Approximately 58.5 million Americans in their thirties and forties have some form of postsecondary education; however, health risk behaviors remain disproportionately concentrated among those with lower educational attainment. In this study, we examine and decompose disparities in adult health lifestyles by level of postsecondary education, identifying the underlying social and economic factors contributing to these differences. Methods: We drew data from Waves I (1995) and V (2018) of the National Longitudinal Study of Adolescent to Adult Health (Add Health). We analyzed a composite health behavior index, capturing binge drinking, smoking, marijuana use, physical activity, nutrition, and body mass index, using Poisson regression models and Kitagawa-Oaxaca-Blinder decomposition techniques. Explanatory factors include demographic characteristics, parental background, social context, economic well-being, and employment characteristics. Results: Economic well-being explained the largest share of the disparities in health behaviors by postsecondary education. Demographics, parental background, and social context also contributed significantly. However, after controlling for personal and household income, employment characteristics did not account for a notable portion of the observed behavioral disparities. Conclusions: Disparities in adult health lifestyles related to postsecondary education are mainly caused by structural socioeconomic factors. Addressing these underlying factors may be essential to reducing behavioral inequalities linked to educational attainment.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».