Exploring Connections Between Mental Health, Burnout, and Academic Factors Among Medical Students at an Iranian University: Cross-Sectional Questionnaire Study
Notice bibliographique
Résumé
Background: Medical students face high levels of burnout and mental health issues during training. Understanding associated factors can inform supportive interventions. Objective: This study aimed to examine burnout, psychological well-being, and related demographics among Iranian medical students. Methods: A cross-sectional survey was conducted among 131 medical students at an Iranian University. The instruments used included the Maslach Burnout Inventory-Student Survey and the Symptom Checklist-90-Revised. Descriptive statistics, multivariate regression, and tests for group differences were used to analyze the data. Results: The MBI-SS subscale scores indicated moderate emotional exhaustion, mean 15.00 (SD 7.08) and academic efficacy, mean 14.98 (SD 6.29), with lower cynicism, mean 10.85 (SD 5.89). The most commonly reported mental health issues were depression and obsessive-compulsive disorder. Poor psychological well-being was associated with higher overall burnout, but no significant gender differences were found. Burnout levels varied by academic year across all Maslach Burnout Inventory-Student Survey domains. Conclusions: Despite their health education, medical students in this study reported significant burnout and mental health distress, with strong associations between the two. These issues may impact student retention and post-graduation practice plans. Supporting well-being during training is critical for positive student and physician outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».