Alexithymia, Burnout, and Hopelessness in a Large Sample of Healthcare Workers during the Third Wave of COVID-19 in Italy
Notice bibliographique
Résumé
In the present study, we aimed to assess the frequency of and the relationships between alexithymia, burnout, and hopelessness in a large sample of healthcare workers (HCWs) during the third wave of COVID-19 in Italy. Alexithymia was evaluated by the Italian version of the 20-item Toronto Alexithymia Scale (TAS-20) and its subscales Difficulty in Identifying Feelings (DIF), Difficulty in Describing Feelings (DDF), and Externally Oriented Thinking (EOT), burnout was measured with the scales emotional exhaustion (EE), depersonalisation (DP), and personal accomplishment (PA) of the Maslach Burnout Test (MBI), hopelessness was measured using the Beck Hopelessness Scale (BHS), and irritability (IRR), depression (DEP), and anxiety (ANX) were evaluated with the Italian version of the Irritability‚ Depression‚ Anxiety Scale (IDA). This cross-sectional study recruited a sample of 1445 HCWs from a large urban healthcare facility in Italy from 1 May to 31 June 2021. The comparison between individuals that were positive (n = 214, 14.8%) or not for alexithymia (n = 1231, 85.2%), controlling for age, gender, and working seniority, revealed that positive subjects showed higher scores on BHS, EE, DP IRR, DEP, ANX, DIF, DDF, and EOT and lower on PA than the not positive ones (p < 0.001). In the linear regression model, higher working seniority as well as higher EE, IRR, DEP, ANX, and DDF scores and lower PA were associated with higher hopelessness. In conclusion, increased hopelessness was associated with higher burnout and alexithymia. Comprehensive strategies should be implemented to support HCWs’ mental health and mitigate the negative consequences of alexithymia, burnout, and hopelessness.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».