Work-life balance is essential to reducing burnout, improving well-being
Notice bibliographique
Résumé
OBJECTIVE: To assess levels of burnout, well-being, and mental health of veterinarians and compare them to those of nonveterinarians by use of validated instruments, and to identify the predictive values of techniques individuals can use to help reduce burnout and/or improve well-being and mental health. SAMPLE: An online survey of 4,636 veterinarians from a random sample of 40,000 US veterinarians provided by the AVMA. METHODS: The study was fielded from September 11 to October 9, 2023. RESULTS: Burnout and well-being of veterinarians were generally consistent with that of employed US adults. Serious psychological distress was more common among veterinarians than in the general population. Veterinarians on average were more likely to score higher in neuroticism than nonveterinarians, and neuroticism was a predictor of low well-being, poor mental health, and burnout. Work-life balance, an effective coping mechanism for stress, and working in a positive clinic culture were among the significant factors that predicted good well-being and mental health and reduced burnout. CLINICAL RELEVANCE: The higher percentage than the norm of veterinarians with serious psychological distress was a concern. Focusing on maintaining a good work-life balance and adopting a reliable coping mechanism can potentially help reduce distress. Veterinary medicine is an inherently stressful profession. The purpose of this study was to identify key factors that contribute to burnout, well-being, and mental health and to determine what behaviors and management techniques help reduce stress and burnout and contribute to well-being and mental health, thus improving job satisfaction and personal fulfillment.
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 | 0,003 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».