Association entre la fréquence de consultation des médias d’information et la détresse psychologique chez les femmes enceintes durant la pandémie de COVID-19: Association between news media consulting frequency and psychological distress in pregnant women during the COVID-19 pandemic
Bibliographic record
Abstract
Objectif:Examiner l’association entre la fréquence d’utilisation des médias d’information durant la pandémie de COVID-19 et l’ampleur de la détresse psychologique chez les femmes enceintes, considérant les impacts délétères connus de cette détresse sur le développement du fœtus.Méthode:Des femmes enceintes habitant la province de Québec (N = 1014) ont été recrutées en avril 2020 par le biais des médias sociaux, alors qu’un état d’urgence sanitaire prévalait. Les participantes ont été divisées en quatre groupes, selon la fréquence auto-rapportée de consultation des médias d’information (peu ou pas; une fois par jour; plusieurs fois par jour; constante). Elles ont rempli des mesures des symptômes dépressifs, des affects négatifs, des symptômes de stress post-traumatique et d’anxiété spécifique de la COVID-19. Les scores aux instruments se regroupaient sous un facteur unique de détresse psychologique.Résultats:Une ANCOVA contrôlant pour l’âge, l’âge gestationnel, le niveau d’éducation, le revenu familial annuel et la présence d’un trouble mental diagnostiqué au moment de la participation à l’étude montre que la fréquence d’exposition aux médias d’information est significativement associée à la sévérité de la détresse psychologique chez les femmes enceintes au moment de la pandémie de COVID-19, F(3,998) = 27,02, p < 0,001, η2 partiel = 0,08. Selon les comparaisons de moyennes a posteriori, des taux plus élevés de détresse psychologique s’observent dès que l’exposition aux médias d’information dépasse une fois par jour (tailles de l’effet entre 0,38 et 0,81).Conclusions:Plus les femmes enceintes consultent les médias d’information pendant la pandémie de COVID-19, plus elles sont sujettes à présenter de la détresse psychologique. Les résultats offrent un des premiers appuis empiriques aux recommandations de l’Organisation mondiale de la santé, du gouvernement du Canada et d’associations de psychiatres encourageant la population à limiter sa consultation des médias d’information durant la pandémie de COVID-19.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| 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".