Positive mental health and burnout in first to fourth year medical students
Notice bibliographique
Résumé
Background: Medical students are at risk of poor mental health and burnout compared to general population age- and education-matched peers, which has future implications for patient care. Research has suggested that demographic factors can predict mental illness and burnout among medical students. However, less is known about predictors of mental health and how they compare to predictors of burnout, and few studies have examined multiple demographics simultaneously. Objectives: This study examined and compared demographic predictors (gender, ethnicity, age, level of education, year of study and proposed specialty) of mental health and burnout in first to fourth year Canadian medical students. Method: Medical students ( n = 129) completed online surveys comprised of validated questionnaires. Results: Multiple regression indicated that third year (β = −.243, p = .013) negatively predicted mental health ( R 2 = 15.0%). Female gender (β = .242, p = .005), ‘other’ ethnicities (β = .189, p = .028), third year (β = .391, p < .001) and fourth year (β = .212, p = .023) positively predicted burnout ( R 2 = 32.7%). Female gender and fourth year predicted mental health and burnout differently. ‘Other’ ethnicity, second year and third year predicted mental health and burnout similarly. Conclusion: Findings fill gaps in the literature and may inform medical stakeholders in developing targeted programmes for improving medical students’ mental health and burnout. Medical students with greater well-being can progress into physicians who will be more likely to promote well-being in their patients.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».