Enhancing resilience during the COVID-19 pandemic: A thematic analysis and evaluation of the warr;or21 program
Notice bibliographique
Résumé
The novel coronavirus (COVID-19) has negatively impacted the world in a variety of ways. Thousands have died, many more have fallen ill, and it continues to have a disastrous impact on the global economy. The virus has also significantly impacted people’s well-being and their mental health, where the effects are expected to continue long after businesses begin to re-open. Promoting resilience and positive mental health coping strategies are, therefore, vital to assisting people as this pandemic continues and long after a sense of “normalcy” returns. This paper, a program analysis of warr;or21, a resilience program, utilizes qualitative research methods to share the insights of participants who completed the program during the COVID-19 pandemic. The warr;or21 program was designed initially to enhance resilience in law enforcement and other first responders and has since been adapted for the general public. The data reveals that, from the perspective of the participants, warr;or21 has helped many of them cope and manage positively, specifically amid the COVID-19 pandemic. Thus, the warr;or21 program has the potential to help enhance people’s resilience and mental health during future adverse events as well as to be used proactively to further develop a person’s overall mental health and resilience.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,045 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,008 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».