Barriers to Accessing Mental Health Support Services in Undergraduate Medical Training: A Multicenter, Qualitative Study
Notice bibliographique
Résumé
PURPOSE: Medical students report higher levels of burnout, anxiety, and depression compared with age-matched peers. These mental health challenges have been linked to reduced workplace productivity, empathy, and professionalism. Yet, students experiencing mental health issues often decide not to access mental health resources, citing limited time and concerns about confidentiality, stigma, and the cost of private therapy. This study aimed to provide a framework for understanding barriers medical students face regarding access to mental health resources. METHOD: A constructivist grounded theory approach was employed, with 24 students from 6 medical schools in Ontario, Canada, participating in semistructured telephone interviews between May 2019 and February 2020. Participants were purposively sampled to capture a broad range of experiences, institutional contexts, and training levels. The authors then developed a framework to conceptualize the barriers that medical students face while accessing mental health resources. RESULTS: The information obtained from the interviews revealed that the barriers were both overt and covert. Overt barriers were primarily administrative challenges, including restrictive leave of absence policies and sick days, mandatory reporting of extended sick leave time during the residency selection process, time-restricted academic and clinical schedules, and difficulty in accessing mental health supports during distance education. Covert barriers to accessing mental health supports included a medical culture not conducive to mental health, felt stigma (i.e., fear of stigma and being labeled as weak), and the hidden curriculum (i.e., the unofficial or unintended rules and mannerisms propagated within medical education systems). CONCLUSIONS: Better understanding the overt and covert barriers that medical students to face while accessing mental health supports may help guide and inspire new advocacy efforts to enhance medical student well-being.
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 | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».