Self-reported voice difficulties in educational professionals during COVID-19 in Quebec: a cross-sectional mixed-methods study
Notice bibliographique
Résumé
<b>Background:</b> The health measures imposed by COVID-19 on workplaces created adverse communication settings. Our cross-sectional study aimed to document the nature and severity of the vocal difficulties experienced by educational professionals a few weeks after the implementation of health measures in schools and early childhood settings in Quebec, Canada while teaching in class. <b>Methods:</b> To this end, we conducted a self-report survey containing nine close-ended questions and one open-ended question regarding self-reported vocal difficulties and the implementation of health measures. The survey was answered by 194 educational professionals in October 2020. <b>Results:</b> Since the introduction of the health measures, respondents reported often or always: having difficulty making themselves heard (66.5%), needing to strain their voice (68.1%), having throat pain after work (38.1%), and being concerned about their vocal health (25.2%). 35.6% perceived that their voice changed moderately or a lot and 75.3% did not feel equipped to take care of their vocal health. Fisher's exact tests revealed the difficulties overall were more present in women (<i>p</i> < 0.05). <b>Discussion:</b> The qualitative analysis of open-ended question answers shows a circular process at play, where the vocal responses to the COVID-19-induced communication barriers contribute to creating more problematic communication settings, thus increasing the challenges for vocal health. Better equipping the professionals to take care of their vocal health by developing resources in their professional settings to help them face vocal challenges in both every day as well as extreme situations, should be a priority.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,571 | 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 ».