Comparativo da incidência da Síndrome de Burnout no Brasil antes e depois da pandemia do Covid-19 (2017 a 2023)
Notice bibliographique
Résumé
Tendo em vista a inclusão da síndrome de Burnout na CID-11 e a relevância de uma investigação fundamentada desta temática o presente estudo objetivou realizar uma discussão abrangente da prevalência dos casos notificados da Síndrome de Burnout, entre 2017 e 2023, no cenário do Brasil, tendo como foco a incidência antes e depois da pandemia do Covid-19. Para tanto, procede-se um estudo epidemiológico analítico descritivo do tipo ecológico, usando como base a epidemiologia descritiva. Os dados foram obtidos através de pesquisa no Departamento de Informática do Sistema Único de Saúde e avaliados por estatística descritiva. Desse modo, observa-se que as mulheres são o grupo mais acometido, respondendo por 71,52% dos casos, e as faixas etárias de 30 a 49 anos são as mais afetadas, correspondendo a 69,14%, além disso, após o impacto pandêmico, houve um aumento de 243,18% nas notificações dos anos de 2020 e 2021, o que revela a gravidade e a complexidade da Síndrome de Burnout como problemática de saúde pública, especialmente no Brasil, fazendo deste estudo uma via de informação teórica para a formulação de intervenções futuras eficazes.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».