Gender differences in experiencing negative encounters with healthcare: A study of long-term sickness absentees
Notice bibliographique
Résumé
AIM: In most countries there are gender differences in sickness absence and in absentees' return to work (RTW). According to different theories sick-listed persons' experiences of encounters with healthcare professionals can influence self-esteem and RTW. The aim was to analyse gender differences in sickness absentees' experiences of negative encounters with healthcare professionals. METHODS: A questionnaire, comprising numerous questions on experiences of positive and negative encounters with professionals, was constructed and sent to 10,100 individuals who had been on sick leave for the last 6-8 months. The response rate was 58% (n = 5,802). RESULTS: Almost one-third (32%) of the female respondents and one-quarter of the male (24%), respectively, had experienced negative encounters. The most common of such experiences among both women and men were: that they were treated with indifference, with disrespect, that the professional did not take his/her time, did not listen, did not believe in, or doubted complaints. In regression analyses the women had higher significant crude odds ratios, ranging from 1.29 to 1.71, for agreeing to the separate statements on negative encounters. When adjusting for age, ethnicity, and level of education the gender differences were still significant for 14 of the 23 the statements. CONCLUSION: Women's high rate of sickness absence is considered a problem in most countries. The subjective experiences of women are an important factor to consider in efforts aiming at reducing the sick-leave rates. One important endeavour among professionals in healthcare could be to shift the focus towards a more empowering professional role.
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 | 0,010 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».