Exploring rural doctors’ early experiences of coping with the emerging COVID‐19 pandemic
Notice bibliographique
Résumé
PURPOSE: To understand how rural doctors (physicians) responded to the emerging COVID-19 pandemic and their strategies for coping. METHODS: Early in the pandemic doctors (physicians) who practise rural and remote medicine were invited to participate through existing rural doctors' networks. Thirteen semi-structured interviews were conducted with rural doctors from 11 countries. Interviews were transcribed verbatim and coded using NVivo. A thematic analysis was used to identify common ideas and narratives. FINDINGS: Participants' accounts described highly adaptable and resourceful responses to address the crisis. Rapid changes to organizational and clinical practices were implemented, at a time of uncertainty, anxiety, and fear, and with limited information and resources. Strong relationships and commitment to their colleagues and communities were integral to shaping and sustaining these doctors' responses. We identified five common themes underpinning rural doctors' shared experiences: (1) caring for patients in a context of uncertainty, fear, and anxiety; (2) practical solutions through improvising and being resourceful; (3) gaining community trust and cooperation; (4) adapting to unrelenting pressures; and (5) reaffirming commitments. These themes are discussed in relation to the Lazarus and Folkman stress and coping model. CONCLUSIONS: With limited resources and support, these rural doctors' practical responses to the COVID-19 crisis underscore strong problem-focused coping strategies and shared commitments to their communities, patients, and colleagues. They drew support from sharing experiences with peers (emotion-focused coping) and finding positive meanings in their experiences (meaning-based coping). The psychosocial impact on rural doctors working at the limits of their adaptive resources is an ongoing concern.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».