Investigating demographics, physical activity intensity, and sedentary behaviour as predictors of burnout in first to fourth year medical students
Notice bibliographique
Résumé
Medical students are at an increased risk for burnout compared to the general population (Dyrbye et al., 2014). Research has identified certain demographics as predictors of burnout in medical students (Cecil et al., 2014; Dyrbye et al., 2007; Dyrbye & Shanafelt, 2016), but most research has not examined a combination of demographic variables in one model. Moreover, physical activity (PA) and sedentary behaviour are two modifiable risk factors for burnout (Naczenski et al., 2017; Sloan et al., 2013). However, less is known about how PA intensities and sedentary behaviour influence burnout in medical students. This research investigated how demographics (gender, ethnicity, age, level of education, year of study, proposed specialty) and health behaviours (mild, moderate, and vigorous PA, and sitting) predicted burnout in medical students. Medical students (N=129) completed surveys of validated questionnaires assessing demographics, PA, sitting, and burnout. Data were analysed using multivariate linear regression. Results showed that female gender (?=.221, p=.016), 'other' ethnicity (?=.185, p=.040), third year (?=.435, p=
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».