Occupational Stress, Coping Strategies, Health, and Well-Being Among University Academic Staff—An Integrative Review
Notice bibliographique
Résumé
Occupational stress has been constantly rising among academics in universities globally, which affects their health and well-being. Although some studies reviewed occupational stress in academics, there has been less systematic evidence reviewed occupational stress of academic staff through the lens of the Transactional Model of Stress and Coping (TTSC). This integrative review aims to search, extract, appraise and synthesise recent evidence relating to occupational stress, coping strategies, health, and well-being of university academic staff. The Preferred Reporting Items for Systematic Review and Meta-Analysis (PRISMA) methodology provides a structure for searching and reporting the search outcomes. Primary studies relating to occupational stress, coping strategies, health, and well-being of academics in university published from 2010 onwards were selected from five databases, CINAHL, ERIC, PsycINFO, SCOPUS, and Web of Science in June 2020. Keywords included “stress”, “coping strategy”, “health”, “well-being”, “academics” and “university” in various combinations. The boolean operators “AND” and “OR” were also used. 17 out of 682 articles were included in this review. Most studies reported academics experienced moderate to high level of stress, and the heavy workload was one of the main stressors. Both positive and negative coping methods were used by academics to cope with stress. Occupational stress can contribute to poor mental health and decreased well-being of academics. This review can help to understand the work phenomenon of university academics and improve their health and well-being, which in turn can contribute to satisfaction and productivity within the educational institutes.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».