Assessment of Psychological Variables amongst Indian Medical Professionals: A Cross-sectional Study
Notice bibliographique
Résumé
Background: The doctor–patient relationship is of critical importance to patient satisfaction and is impacted by various doctor-related factors. Aim: To assess the levels of emotional intelligence (EI), empathy, everyday/perceived discrimination and verbal aggression amongst medical professionals and medical students, and to understand the interrelations between these variables and their differences across groups. Materials and Methods: This cross-sectional study included convenience sampling of 191 medical students, and 94 medical professionals (residents and attending doctors). They were administered the Wong and Law emotional intelligence scale, Toronto empathy questionnaire, everyday discrimination scale and verbal aggression sub-scale from the Buss–Perry aggression scale. Data was analysed using Statistical Package for Social Sciences 20. Results: EI was significantly greater amongst professionals as compared to students, and positively correlated to years of experience in the medical profession. Everyday discrimination increased with years of experience in the medical fraternity and was also negatively correlated with the ‘emotion regulation’ component of EI. Female participants had higher levels of empathy and lower levels of everyday discrimination. Conclusion: In Indian medical professionals the levels of EI increase with years of experience and are higher for medical professionals than students. The levels of perceived discrimination increase with years of experience and were greater for medical professionals and male doctors. Perceived discrimination and verbal aggression showed a negative association with empathy and EI. Understanding the factors that impact the doctor–patient relationship, as well as the doctor’s personal experience in the medical fraternity, are crucial to improve patient satisfaction, as well as to improve the well-being of the medical professionals.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».