Predictors of negative moral appraisals and their association with symptoms of post‐traumatic stress and depression in the context of COVID‐19 related stressors
Notice bibliographique
Résumé
Research on moral injury (MI) suggests that negative moral appraisals of stressful events can impact mental health in high-stakes occupational contexts (e.g., military). Few studies have examined these associations in the general population, limiting the generalisability of findings. Furthermore, factors that may predispose an individual to adverse outcomes in the context of moral stressors remain largely unknown. The objectives of this study were to (1) explore the applicability of the MI construct to stressors experienced by the general public during the COVID-19 pandemic; (2) explore how trait differences in sense of duty, religiosity/spirituality, anxiety sensitivity, and guilt, shame, and anger, predict negative moral appraisals of COVID-19 stressors. Participants (n = 355) completed an online survey assessing exposure to and appraisals of COVID-19 stressors, mental health symptoms, and dispositional characteristics (i.e., trait emotions, anxiety sensitivity, sense of duty, religiosity/spirituality). Path analysis revealed specific indirect associations between self-based moral appraisals and posttraumatic stress disorder (PTSD) and depression through guilt, and between both self- and other-based moral appraisals and PTSD and depression through anger. Number of COVID-19 stressors had no influence on associations. Sense of duty, reparative guilt, and anxiety sensitivity best predicted negative moral appraisals. Findings partially support the applicability of the MI construct outside the occupational context.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».