Diet, physical activity, and emotional health: what works, what doesn’t, and why we need integrated solutions for total worker health
Notice bibliographique
Résumé
BACKGROUND: Current research advocates lifestyle factors to manage workers' health issues, such as obesity, metabolic syndrome, and type II diabetes mellitus, among other things (World Health Organization (WHO) Obesity: preventing and managing the global epidemic, 2000; World Health Organization (WHO) Obesity and overweight, 2016), though little is known about employees' lifestyle factors in high-stress, high turnover environments, such as in the long term care (LTC) sector. METHODS: Drawing on qualitative single-case study in Ontario, Canada, this paper investigates an under-researched area consisting of the health practices of health care workers from high-stress, high turnover environments. In particular, it identifies LTC worker's mechanisms for maintaining physical, emotional, and social wellbeing. RESULTS: The findings suggest that while particular mechanisms were prevalent, such as through diet and exercise, they were often conducted in group settings or tied to emotional health, suggesting important social and mental health contexts to these behaviors. Furthermore, there were financial barriers that prevented workers from participating in these activities and achieving health benefits, suggesting that structurally, social determinants of health (SDoH), such as income and income distribution, are contextually important. CONCLUSIONS: Accordingly, given that workplace health promotion and protection must be addressed at the individual, organizational, and structural levels, this study advocates integrated, total worker health (TWH) initiatives that consider social determinants of health approaches, recognizing the wider socio-economic impacts of workers' health and wellbeing.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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 ».