Relationship between Stress and Alexithymia, Emotional Processing and Negative/Positive Affect in Medical Staff Working amid the COVID-19 Pandemic
Notice bibliographique
Résumé
The psychological burden of the COVID-19 pandemic may have a lasting effect on emotional well-being of healthcare workers. Medical personnel working at the time of the pandemic may experience elevated occupational stress due to the uncontrollability of the virus, high perceived risk of infection, poor understanding of the novel virus transmission routes and unavailability of effective antiviral agents. This study used path analysis to analyze the relationship between stress and alexithymia, emotional processing and negative/positive affect in healthcare workers. The sample included 167 nurses, 65 physicians and 53 paramedics. Sixty-two (21.75 %) respondents worked in COVID-19-designated hospitals. Respondents were administered the Toronto Alexithymia Scale-20, Cohen's Perceived Stress Scale, Emotional Processing Scale, and the Positive and Negative Affect Schedule. The model showed excellent fit indices (χ 2 (2)=2.642, p=0.267; CFI=0.999, RMSEA=0.034, SRMR=0.015). Multiple group path analysis demonstrated physicians differed from nurses and paramedics at the model level (X 2 diff (7)=14.155, p<0.05 and X 2 diff (7)=18.642, p<0.01, respectively). The relationship between alexithymia and emotional processing was stronger in nurses than in physicians (difference in beta=0.27; p<0.05). Individual path χ 2 tests also revealed significantly different paths across these groups. The results of the study may be used to develop evidence-based intervention programs promoting healthcare workers’ mental health and well-being.
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 | 0,006 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 ».