Using specific, validated vs. non-specific, non-validated tools to measure a subjective concept: application on COVID-19 burnout scales in a working population
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objectives The first objective is to compare the psychometric properties of two scales, measuring COVID-19-related burnout in a general working population during an economic crisis. The second objective is to compare the relevance through the assessment of statistically significant associations between the independent variables and the validated (scale 1) or non-validated (scale 2) scales taken as dependent variables. Methods This study enrolled 151 Lebanese participants, using a snowball sampling method. Two scales that measure burnout during COVID-19 were used. Results A significantly strong correlation was found between the validated COVID-19 burnout scale (scale 1) and the new pandemic-related burnout scale (scale 2) (r=0.796, p<0.001). A first linear regression on scale 1 (dependent) showed that increased concern about the impact of the economic crisis and COVID-19 (Beta=9.61) was significantly associated with higher COVID-19 burnout. However, higher financial well-being (Beta=−0.23) and working as a full timer (Beta=−7.80) were significantly associated with a lower COVID-19 burnout score. A second regression model on scale 2 (dependent) showed that higher financial well-being was only significantly associated with a lower pandemic-related burnout score (Beta=−0.72). Conclusions Our results showed that more specific scales have better psychometric properties while using non-validated, non-specific scales to evaluate an outcome might lead to biased associations and incorrect conclusions.
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.
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 | 0,021 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 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 découle