Adoption de mesures préventives contre la COVID-19 par les adolescents au cours des premiers mois de la pandémie : Qu’est-ce qui a mené à l’adoption rapide?
Bibliographic record
Abstract
Introduction La présente étude avait pour objectifs d’explorer dans quelle mesure les adolescents ont adopté des mesures préventives contre la COVID-19 au cours des premiers mois de la pandémie et de comprendre leur adoption par l’examen de facteurs indépendants liés à l’adoption et par la détermination de la puissance de ces facteurs, en particulier parmi les sous-groupes qui ne sont pas censés être les premiers à adopter de telles mesures. Méthodes Les analyses portent sur des données recueillies au printemps 2020 auprès de 29 écoles secondaires de l’est du Québec qui ont participé à l’étude COMPASS. Les participants (n = 6 052) ont déclaré eux-mêmes leurs connaissances, leur perception du risque et les pratiques de prévention à adopter dans le contexte de la pandémie de COVID-19. Les données ont été analysées à l’aide de modèles d’équation structurelle fondés sur le sexe et le niveau d’anxiété. Résultats La majorité des répondants ont déclaré avoir adopté les mesures préventives recommandées contre la COVID-19. Les résultats ont montré trois voies menant à l’adoption de ces mesures par les adolescents : les connaissances sur la pandémie, la perception du risque lié à la COVID-19 et, en particulier, les discussions avec les proches au sujet des mesures préventives et de ce qu’il faut faire en cas d’infection. Conclusion Même si la plupart des participants adolescents à cette étude ont semblé se conformer aux mesures préventives contre la COVID-19, des facteurs comme les discussions avec les proches émergent en tant qu’éléments à favoriser pour améliorer l’adoption des mesures préventives par les adolescents.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".