Hostility in firefighters: personality and mental health
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to investigate the contribution of personality factors, especially hostility, as they related to traumatic stress and mental health symptoms in firefighters. Design/methodology/approach – A group of paid-professional firefighters ( n =94) completed a questionnaire study that included a demographic questionnaire, the Impact of Event Scale-Revised, the NEO Five-Factor Inventory-Revised, the Framingham Type A Scale, and the Symptom Checklist-90. Multiple regressions were used to evaluate the relationship between neuroticism or lack of agreeableness with hostility, controlling for Type A, years of service and age. Subsequently, hostility was used to predict traumatic stress and mental health symptoms, controlling for Type A, years of service, age, neuroticism, and lack of agreeableness. Findings – Both neuroticism and lack of agreeableness were determined to be significant predictors of hostility. Further, hostility positively predicted somatization, obsessive-compulsive, interpersonal sensitivity, depression, anxiety, paranoid ideation, psychoticism, Global Severity Index, Positive Symptom Distress Index, and Positive Symptoms Total. Although not significant, trends that hostility also predicted traumatic stress and phobic anxiety were evident. Originality/value – To the knowledge, this is the first study to specifically investigate the impact of hostility on mental health of paid-professional firefighters. In addition, the findings suggest that interventions to screen for and subsequently reduce hostility in firefighters may be beneficial for overall mental health (e.g. anger management training, etc.).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».