Understanding Clinician Perspectives and Actions to Address Caregiver Burden in Caregivers of Adults
Notice bibliographique
Résumé
Purpose: The purpose of this study was to determine how speech-language pathologists (SLPs) perceive and address caregiver burden. Method: A 29-question survey was distributed virtually via relevant Facebook pages and professional associations. Ninety-three responses from English-speaking SLPs working with adults in the United States or Canada were analyzed descriptively. Other analyses included one-way analysis of variance and chi-square tests to assess relationships between years of experiences, primary work setting, and other relevant variables, as well as a thematic analysis of one free-text response detailing how respondents defined caregiver burden. Results: Respondents associated caregiver burden with physical, psychological, financial, and social strain, loss of personal time, and the COVID-19 pandemic. The most described theme (80%) was physical strain. Almost all respondents (92%) believed that caregiver burden is a prominent issue and reported using strategies such as education and training to reduce burden. Most respondents (86%) would consider adopting a standardized tool to identify caregiver burden. Common barriers to addressing caregiver burden were lack of tools, time, and expertise. Additionally, less than half of respondents reported being confident in their ability to appropriately refer caregivers for support (45%). Conclusions: Most SLPs interacted with caregivers and used strategies such as education and training within their areas of expertise to try and address caregiver burden. Further research into the resources SLPs need to address caregiver burden is required. This study provides a preliminary understanding of current SLP perspectives and the strategies currently used to address caregiver burden in the United States and Canada.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».