Leading through COVID-19: understanding and supporting grief and loss
Notice bibliographique
Résumé
The COVID-19 pandemic has created an environment in which grief and loss are being experienced collectively. This grief can lead to increased burnout, decreased productivity, and increased likelihood of job turnover. With health care workers already facing increased risks because of their frontline pandemic responsibilities, it is important to provide leaders with knowledge and tools to support their grieving team members. Understanding the Kübler-Ross grief model, as well as grief-related concepts such as anticipatory grief, disenfranchised grief, moral injury, and complicated grief, will help leaders provide normalizing support. This approach may include building and fostering trusting relationships, engaging in self-reflection, participating in supportive conversations, and, when appropriate, sharing information around grief-support resources. There is no universal timeline for the resolution of grief; mental health impacts can last for many months and can continue to resurface for years. During the COVID-19 pandemic, we educated health care workers around the issues of grief and loss by focusing on the relationship side of the Wheel of Change, interviewing people with expertise in the area, holding town hall meetings, and hosting online “coffee and chat” sessions for physicians. We recommend relying less on policy development and, instead, focus on strengthening workplace relationships and creating opportunities for connection and discussions.
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 | 0,023 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,012 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».