Rural Family Caregiving: A Closer Look at the Impacts of Health, Care Work, Financial Distress, and Social Loneliness on Anxiety
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Even before the COVID-19 pandemic, earlier acute care patient discharges, restricted admissions to long-term care, and reduced home care services increased the amount and complexity of family caregivers' care work. However, much less is known about rural caregivers' experiences. Thus, our aim in this sequential mixed-methods study was to understand how COVID-19 affected rural family caregivers. Thematically analyzed interviews and linear regression on survey data were used to understand family caregiver stress. Fourteen rural caregivers participated in interviews. They acknowledged that they benefitted from the circle of support in rural communities; however, they all reported having to cope with fewer healthcare and social services. 126 rural caregivers participated in the online survey. About a third (31%) of these caregivers had moderate frailty, indicating that they could benefit from support to improve their health. In linear regression, frailty, social loneliness, financial hardship, and younger age were associated with caregiver anxiety. Contrary to the qualitative reports that people in rural communities are supportive, over two-thirds of the rural caregivers completing the survey were socially lonely. Rural family caregivers are vulnerable to anxiety and social loneliness due to the nature of caregiving and the lack of healthcare and social service supports in rural areas. Primary healthcare and home care teams are well-positioned to assess caregivers' health and care situation as well as to signpost them to needed supports that are available in their areas.
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.
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 | 0,000 |
| 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 | 0,000 | 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 découle