Psychosocial Risks among Quebec Healthcare Workers during the COVID-19 Pandemic: A Social Media Analysis
Notice bibliographique
Résumé
During the COVID-19 pandemic, healthcare workers (HCWs) were at high risk of exposure to the SARS-CoV-2 virus and to work-related psychosocial risks, such as high psychological demands, low social support at work and low recognition. Because these factors are known to be detrimental to health, their detection and mitigation was essential to protect the healthcare workforce during the pandemic, when this study was initiated. Therefore, using Facebook monitoring, this study aims to identify the psychosocial risk factors to which HCWs in Quebec, Canada reported being exposed at work during the first and second pandemic waves. In this study, HCWs mainly refer to nurses, respiratory therapists, beneficiary attendants and technicians (doctors, managers and heads of healthcare establishments were deemed to be less likely to have expressed work-related concerns on the social media platforms explored). A qualitative exploratory research based on passive analysis of Facebook pages from three different unions was conducted. For each Facebook page, automatic data extraction was followed by and completed through manual extraction. Posts and comments were submitted to undergo thematic content analysis allowing main coded themes to emerge based on known theoretical frameworks of the psychosocial work environment. In total, 3796 Facebook posts and comments were analyzed. HCWs reported a variety of psychosocial work exposures, the most recurrent of which were high workload (including high emotional demands), lack of recognition and perceived injustice, followed by low workplace social support and work-life conflicts. Social media monitoring was a useful approach for documenting the psychosocial work environment during the COVID-19 crisis and could be a useful means of identifying potential targets for preventive interventions in future sanitary crises or in a context of major reforms or restructuring.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».