Canadian Workers’ Well-Being During the Beginning of the COVID-19 Pandemic: A Latent Profile Analysis
Notice bibliographique
Résumé
Abstract To explore workers’ well-being during COVID-19, researchers have primarily utilized variable-centered approaches (e.g., regression) focusing on describing workers’ general level of well-being. Given the diversity of factors that may have impacted workers’ well-being during the pandemic, focusing on such well-being trends do not provide sufficient insight into the different lived well-being experiences during the pandemic. Moreover, positive well-being in workers’ general lives and work has been understudied in such complex public health crises. To address these issues, we use latent profile analysis, a person-centered analysis, to explore the diverse well-being realities Canadian workers (employed before COVID-19 or working at the time of the survey) experienced at the beginning of COVID-19. Canadian workers ( N = 510) were surveyed between May 20-27th, 2020, on positive (meaning in life, flourishing, thriving at work) and negative (distress, stress, impaired productivity, troublesome symptoms at work) well-being indicators, as well as on factors that may be associated with experiencing different well-being profiles. Five well-being profiles emerged: moderately prospering, prospering, moderately suffering, suffering, and mixed. Factors at the self- (gender, age, disability status, trait resilience), social- (marital status, family functioning, having children at home), workplace- (some employment statuses and work industries, financial strain, job security), and pandemic-related (perceived vulnerability to COVID-19, social distancing) ecological levels predicted profile membership. Recommendations for employers, policymakers, and mental health organizations are discussed.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».