SS04-02 FREQUENCY OF MENTAL HEALTH PROBLEMS AT WORK OVER TIME AND DESIGN OF WORKPLACE PHYSICAL AND MENTAL CONDITIONS
Notice bibliographique
Résumé
Abstract Introduction Numerous population-based studies have been conducted on the factors that contribute to mental health problems in the workplace and the factors that promote well-being in the workplace. However, knowledge of these factors does not mean that best practices or interventions will automatically be implemented in the workplace. Methods The Observatory on Mental Health and Well-being at Work (OSMET) conducted a large longitudinal study of 6602 people in 95 workplaces that participated in the OSMET Longitudinal Study (ELOSMET). This is an online survey started in 2019 that is repeated every year for five years. We will report the results of the first three years taking into account those obtained before, during, and following the intensive COVID-19 period. Results The frequency of nervous breakdown problems increased during COVID-19 in age groups over 35 years (14% to 17%) while the frequency of burnout decreased significantly (29.7% to 25.1%). Moreover, following this pandemic, it seems that the frequencies of these same problems are returning to their original level. Conclusions In these workplaces, in age groups over 35 years of age, we are seeing problems returning to work under the same conditions as before COVID-19. It is becoming clear, as we have already pointed out in previous studies, that the solutions involve a critical examination of jobs and working conditions and a new design of these.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».