Double distress: women healthcare providers and moral distress during COVID-19
Notice bibliographique
Résumé
Background: COVID-19 pandemic has led to heightened moral distress among healthcare providers. Despite evidence of gendered differences in experiences, there is limited feminist analysis of moral distress. Objectives: To identify types of moral distress among women healthcare providers during the COVID-19 pandemic; to explore how feminist political economy might be integrated into the study of moral distress. Research Design: This research draws on interviews and focus groups, the transcripts of which were analyzed using framework analysis. Research Participants and Context: 88 healthcare providers, based in British Columbia Canada, participated virtually. Ethical Considerations: The study received ethical approval from Simon Fraser University. Findings: Healthcare providers experienced moral dilemmas related to ability to provide quality and compassionate care while maintaining COVID-19 protocols. Moral constraints were exacerbated by staffing shortages and lack of access to PPE. Moral conflicts emerged when women tried to engage decision-makers to improve care, and moral uncertainty resulted from lack of clear and consistent information. At home, women experienced moral constraints related to inability to support children’s education and wellbeing. Moral conflicts related to lack of flexible work environments and moral dilemmas developed between unpaid care responsibilities and COVID-19 risks. Women healthcare providers resisted moral residue and structural constraints by organizing for better working conditions, childcare, and access to PPE, engaging mental health support and drawing on professional pride. Discussion: COVID-19 has led to new and heightened experiences of moral distress among HCP in response to both paid and unpaid care work. While many of the experiences of moral distress at work were not explicitly gendered, implicit gender norms structured moral events. Women HCP had to take it upon themselves to organize, seek out resources, and resist moral residue. Conclusion: A feminist political economy lens illuminates how women healthcare providers faced and resisted a double layering of moral distress during the pandemic.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,012 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,020 |
| 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 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 ».