Race, Marginalization, and Perceptions of Stress Among Workers Worldwide Post‐2020
Notice bibliographique
Résumé
Research shows that stressful workplace changes in 2020 disproportionately impacted historically marginalized workers. However, we need more information on enduring inequalities of stress post‐2020. Thus, drawing from surveys with employees working in the United States, United Kingdom, Australia, Canada, and India (N = 5,242), we use logistic regression to explore how worker identities (race/ethnicity, gender, sexual identity, and social class) might matter for stress as measured through respondents' self‐assessments of their own feelings of stress (“helplessness”) and states counter to stress (“self‐efficacy”). Taking a sociological approach to analyze worker responses to the perceived stress scale (PSS‐10), we found that historically marginalized workers (in terms of race, gender, sexual identity, and social class) reported greater feelings of stress (helplessness). However, we also found that employees identifying as racially minoritized at work and employees in India reported high self‐efficacy scores on the PSS‐10—a surprising relationship given that feelings of self‐efficacy have been previously theorized to have an inverse relationship with stress (helplessness). Though based on a convenience sample, our research suggests that historically marginalized workers worldwide are feeling more significant amounts of stress. In addition, our findings may have implications regarding how researchers use the PSS‐10 to measure stress across diverse worker groups and international contexts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».