Adult Bullying in the Workplace and the Medical Field: A Narrative Review
Notice bibliographique
Résumé
Studying and understanding adult bullying is integral to recognizing, acknowledging, and addressing attitudes and behaviours that may be deemed acceptable in a particular context but have debilitating consequences for individuals and organizations. Much of the research in this field has focused on the impact of bullying on the vulnerable populations: children and adolescents, and there is an overall scarcity in understanding the consequences of adult bullying. The literature supports the existence of characteristic differences between targets and perpetrators as the perpetrators lack self-awareness and empathy skills, while the targets are typically avoidant and submissive. In the workplace, perpetrators and targets relationship often involves a form of power imbalance, with perpetrators holding higher positions, and targets typically being low-status workers. Research has shown that up to 30 percent of American workers have been bullied in the workplace, including 11.3 percent healthcare workers. More than 75 percent of Canadian medical residents have reported being bullied, and 83 percent of medical students have experienced at least one incident of bullying or mistreatment. Such bullying incidents have a significant biopsychosocial burden on the victims and can negatively compromise one’s mental, physical, and social health, and create a pernicious work environment. Some of the conditions that have been associated with adult bullying include mood and anxiety disorders, suicidal ideation, heart and gastric diseases, and decreased job performance. In the medical field, all of such consequences could translate to a direct impact on patient care. Therefore, discussing and addressing adult bullying becomes a necessity.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».