A comparison of the mental health impacts and resilience of healthcare workers in rural Manitoba during the COVID-19 pandemic
Notice bibliographique
Résumé
Drawing on resilience research in rural studies, this study examined the mental health experiences of frontline healthcare workers during two stages of the COVID-19 pandemic in rural Manitoba, Canada. Data were collected using online surveys from May to June 2020 (n = 137) and from May to June 2021 (n = 219). The surveys assessed symptoms of anxiety and identified strategies and barriers to addressing mental health concerns. Most respondents exhibited clinical symptoms of anxiety as measured by the GAD-7 scale. Respondents mostly accessed informal supports, such as family and friends, in the first survey in 2020, and a broader mix of informal and formal supports in the 2021 survey. In both surveys, numerous barriers to accessing formal mental health support were identified. Our findings suggest that although some degree of resilience in the face of the pandemic was prevalent in rural areas, there is a need for accessible professional and peer mental health support for frontline healthcare workers. The research also highlights the importance of context and resources in sustaining the healthcare workforce in rural areas as part of the pandemic response. • The COVID-19 pandemic directly impacted frontline health care workers. • Individuals surveyed showed resilience in the face of unprecedented pressures in the workplace. • Frontline health care workers in rural areas faced unique barriers to mental health services. • Frontline health care workers in rural areas adapted unique strategies to deal with stress. • The resilience model describes resilience in the face of external forces, including facing barriers and adapting strategies.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».