Is online learning during the COVID-19 pandemic associated with increased burnout in medical learners?: A medical school’s experience
Notice bibliographique
Résumé
INTRODUCTION: The COVID-19 pandemic necessitated a shift to virtual curriculum delivery at Canadian medical schools. At the NOSM University, some learners transitioned to entirely online learning, while others continued in-person, in-clinic learning. This study aimed to show that medical learners who transitioned to exclusively online learning exhibited higher levels of burnout compared to their peers who continued in-person, clinical learning. Analysis of factors that protect against burnout including resilience, mindfulness, and self-compassion exhibited by online and in-person learners at NOSM University during this curriculum shift were also explored. METHODS: As part of a pilot wellness initiative, a cross-sectional online survey-based study of learner wellness was conducted at NOSM University during the 2020-2021 academic year. Seventy-four learners responded. The survey utilized the Maslach Burnout Inventory, the Brief Resilience Scale, Cognitive and Affective Mindfulness Scale-Revised, and the Self-Compassion Scale-Short Form. T-tests were utilized to compare these parameters in those who studied exclusively online and those who continued learning in-person in a clinical setting. RESULTS: Medical learners who engaged in online learning exhibited significantly higher levels of burnout when compared with learners who continued in-person learning in a clinical setting, despite scoring equally on protective factors such as resilience, mindfulness, and self-compassion. CONCLUSION: The results discussed in this paper suggest that the increased time spent in a virtual learning environment during the COVID-19 pandemic might be associated with burnout among exclusively online learners, as compared to learners who were educated in clinical, in-person settings. Further inquiry should investigate causality and any protective factors that could mitigate negative effects of the virtual learning environment.
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 | 0,002 | 0,003 |
| 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 | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».