MétaCan
Menu
Retour à la cohorte
Enregistrement W3127166170 · doi:10.3389/fpsyg.2020.594086

The Effects of COVID-19 Lockdown 1.0 on Working Patterns, Income, and Wellbeing Among Performing Arts Professionals in the United Kingdom (April–June 2020)

2021· article· en· W3127166170 sur OpenAlexaff
Neta Spiro, Rosie Perkins, Sasha L. Kaye, Urszula Tymoszuk, Adele Mason-Bertrand, Isabelle Cossette, Solange Glasser, Aaron Williamon

Notice bibliographique

RevueFrontiers in Psychology · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCultural Industries and Urban Development
Établissements canadiensMcGill UniversityCentre for Interdisciplinary Research in Music Media and Technology
Organismes subventionnairesEconomic and Social Research CouncilArts and Humanities Research Council
Mots-clésCoronavirus disease 2019 (COVID-19)PsychologySevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakThe artsMedical educationMedicinePolitical scienceVirologyLaw

Résumé

récupéré en direct d'OpenAlex

This article reports data collected from 385 performing arts professionals using the HEartS Professional Survey during the COVID-19 Lockdown 1.0 in the United Kingdom. Study 1 examined characteristics of performing arts professionals’ work and health, and investigated how these relate to standardized measures of wellbeing. Study 2 examined the effects of the lockdown on work and wellbeing in the respondents’ own words. Findings from Study 1 indicate a substantial reduction in work and income. 53% reported financial hardship, 85% reported increased anxiety, and 63% reported being lonelier than before the crisis. 61% sought support on finances while only 45% did so on health and wellbeing. Multiple regression analyses, using the Mental Health Continuum-Short Form, Center for Epidemiologic Studies Depression Scale, Social Connectedness Scale, and Three-Item Loneliness Scale as outcome variables, indicate that perceived financial hardship was associated with lower wellbeing and higher depression and loneliness scores. Higher self-rated health was associated with higher wellbeing and lower depression scores. More physical activity before lockdown was associated with higher wellbeing and social connectedness scores, as well as lower loneliness scores, and an increase in physical activity during lockdown compared with before, as well as older age, were associated with higher wellbeing and social connectedness scores, and lower depression and loneliness scores. Thematic inductive analysis of 341 open responses in Study 2 identified five overarching themes characterizing the effects of Lockdown 1.0: lost or uncertain work and income, including canceled work, financial concerns, and uncertainties for the future; constraints of lockdown working, including challenges of working at home, struggles with online work and skill maintenance, and caring responsibilities; loss and vulnerability, including reduced social connections, lack of support, vulnerability, feelings of loss and grief, and concern for others; detrimental effects on health and wellbeing, including anxiety, low or unstable mood, poorer physical health, and lack of motivation; and professional and personal opportunities, including coping well or living more healthily, more time and less pressure, new possibilities and activities, enhanced social connections, and new skills. Lockdown 1.0 had profound effects on performing arts professionals, but our findings reveal some opportunities and compelling links between positive wellbeing and physical activity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,180
Score d'incertitude au seuil0,359

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,343
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations145
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PsychologyMême sujetCultural Industries and Urban DevelopmentTravaux en français237 207