The Health Science Students Emotional-Behavioral Problems, Childhood Trauma and Screen Exposure
Bibliographic record
Abstract
Amaç: Sağlık alanındaki öğrencilerde duygusal-davranışsal problemleri ve bunların umutsuzluk, çocukluk çağı travmaları, demografik özellikler ve ayrıca ekrana maruziyet süreleri ile ilişkisini incelemek. Yöntem: Çalışma kesitsel, tanımlayıcı bir çalışmadır. Sağlık çalışanı adayı öğrencilerde gerçekleştirildi. Veri toplama aracı olarak, sosyodemografik özellikler ve ekran maruziyetini değerlendiren kişisel data formu, Belirti Tarama Listesi (SCL-90), Çocukluk Çağı Travma Ölçeği ve Beck Umutsuzluk Ölçeği kullanıldı. Veriler Number Cruncher Statistical System ile analiz edildi. Bulgular: Toplam katılımcı sayısı 347 idi. Bunlar arasında; yaklaşık her 10 kişiden birinde (%11.2) psikiyatrik hastalık öyküsü, çoğunluğunda anlamlı düzeyde psikiyatrik belirtiler vardı (0.88±0.63), çoğunluğunda orta (%64.5) veya şiddetli düzeyde (%3.5) umutsuzluk yaşadığı ve %40.3’ünün çocukluk çağı travmasına maruz kaldığı belirlendi. Duygusal-davranışsal problem düzeyinin; cinsiyet (kadınlarda daha fazla), akademik başarı (düşük olanlarda daha fazla), bölümden memnun olma (memnun olmayanlarda daha fazla), ekran maruziyeti süresi (özellikle sosyal medya kullanım süresi 5 saat ve üzerinde kullananlarda daha fazla) ve çocukluk çağında travmaya maruz kalma (maruz kalanlarda daha fazla) ile ilişkili olduğu belirlendi. Umutsuzluk ise cinsiyetten, akademik başarıdan ve sosyal medya kullanımından bağımsız ancak okunan bölümden memnun olma durumu ile ilişkili bulunmuştur. Sonuç ve Öneriler: Çalışma sonuçları, kadın cinsiyeti, fazla sosyal medya kullanım süresi ve çocukluk çağı travmaları maruziyetinin kötü ruh sağlığı belirteci olduğuna, okunan bölümden memnun olmanın ise iyi ruh sağlığı belirteci olduğunu gösterdi.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".