Latent burnout profiles of veterinarians in Canada: Findings from a cross‐sectional study
Notice bibliographique
Résumé
BACKGROUND: Although burnout is often discussed as 'present' or 'not-present', the conceptual framework of an engagement-burnout continuum is more accurate and useful. Recognition of individuals' transitional states of burnout also allows for earlier detection of issues and tailored interventions to address the full burnout spectrum. METHODS: Previously reported Maslach Burnout Inventory-Human Services Scale (MBI-HSS) data from a 2017 national survey of 1272 veterinarians across Canada were re-analysed using a latent profile analysis to classify individuals along the engagement-burnout continuum. RESULTS: Four clusters were identified: engaged (10.8%), ineffective (18.9%), overextended (29.6%) and burnout (40.7%). These results indicate that most participants (89.2%) had one, or a combination, of high exhaustion, high depersonalisation and low professional efficacy. LIMITATIONS: This cross-sectional study represents data from one point in time and may be subject to response bias. CONCLUSION: We discuss strategies-particularly long-term, organisational-level interventions-to promote engagement and help address workplace issues contributing to inefficacy, overextension and burnout in the veterinary profession. We also recommend MBI data be analysed via latent profiles to provide a more nuanced view of burnout, allow for earlier recognition of workplace issues and facilitate more meaningful interventions and comparisons across populations.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».