Perinatal risk factors for young adults to be Not Engaged in Employment, Education or Training (NEET)
Bibliographic record
Abstract
En 2019, 31 % et 14 % des jeunes femmes et hommes mondialement ont déclaré de n’être pas engagé en emploi, en études ou en formation (NEET). Cette étude a examiné les voies de développement menant au statut NEET chez les jeunes adultes en étudiant l'association entre les adversités périnatales et le statut NEET et le rôle médiateur de comportements extériorisés. Les données proviennent de l'Étude Longitudinale du Développement des Enfant du Québec (ÉLDEQ, n = 974). L'analyse des classes latentes a identifié quatre profils d'exposition: faible adversité; adversité de la croissance fœtale, qui incluent les participants rencontrant des problèmes de croissance in utero et après la naissance ; les complications d’accouchement, qui incluent les participantes qui connaissent des complications pendant l'accouchement; l’adversité familiale, qui se compose de participants qui ont vécu l'adversité dans leur vie familiale. Les associations entre les profils périnatals, le statut NEET et le rôle médiateur présumé de comportements extériorisés ont été étudiées à l'aide de la modélisation par équation structurelle. Le risque de devenir NEET était plus élevé pour les enfants ayant subi une adversité familiale (OR = 3,19 [IC 95 % : 2,31-4,40], p < 0,001) et de croissance fœtale (2,03 [1,11-3,71], p = 0,022). Les problèmes d’extériorisation ont médié l'association entre l'adversité familiale et le statut de NEET (1,03 [1,01-1,06], p=0,003). La prévention du statut NEET devrait englober les facteurs de risque lié à la croissance fœtale et l’adversité familiale, qui peuvent aider les efforts de prévention pendant la période périnatale.
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 | 0.002 |
| 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 | 0.001 |
| Research integrity | 0.000 | 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".