How medical students cope with stress: a cross-sectional look at strategies and their sociodemographic antecedents
Notice bibliographique
Résumé
BACKGROUND: Medical training can be highly stressful for students and negatively impact their mental health. Important to this matter are the types of coping strategies (and their antecedents) medical students use, which are only characterized to a limited extent. A better understanding of these phenomena can shed additional light on ways to support the health and well-being of medical students. Accordingly, we sought to determine medical students' use of various coping reactions to stress and how their gender and year of study influence those behaviours. METHODS: A total of 400 University of Saskatchewan medical students were invited to complete an online survey. Using the Brief COPE inventory, we assessed students' reported use of various adaptive and maladaptive coping strategies. Descriptive and comparative statistics were performed, including multivariate analysis of variance, to explore how gender and year influenced coping strategies. RESULTS: The participation rate was 49% (47% males and 53% females). Overall, the students' coping strategies were mostly adaptive, albeit with a few exceptions. Females used more behavioural disengagement, while males used less emotional and instrumental support. Additionally, third years used more denial to cope with stress than students in any other year. CONCLUSIONS: While few studies report significant sociodemographic effects on medical student coping, our findings raise the possibility that males and females do engage in different coping strategies in medical school, and that the clinical learning environment in third year may provoke more dysfunctional coping, compared to pre-clinical stages of training. Potential explanations and implications of these results are discussed.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».