Emotion regulation and compassion fatigue in mental health professionals in a context of stress: A longitudinal study
Notice bibliographique
Résumé
INTRODUCTION: Mental health professionals (MHP) are exposed to several stressors and have emotionally demanding jobs. They must effectively manage their emotions within their everyday practice. Emotion regulation is therefore a key element in understanding how MHPs can protect themselves psychologically. Abundant research shows that healthy and effective emotion regulation can protect against the negative impact of stress on compassion fatigue. However, this perspective does not consider the dynamic interaction that emotion regulation and compassion fatigue can have over time. A much less researched perspective is how compassion fatigue can change emotion regulation styles over time. The present research focused on this dynamic perspective. OBJECTIVE: We took advantage of the COVID-19 pandemic, a stressful period for MHPs, to study the effect of perceived stress on the direction of the changes in emotion regulation styles and compassion fatigue over time. METHODS: Data on stressors, perceived stress, emotion regulation styles (i.e., dysregulation, integration, and suppression), and compassion fatigue were collected from 390 MHPs at two time points over ten months. RESULTS: Findings from a cross-lagged path analysis suggests that perceived stress predicted increases in dysregulation over time. Moreover, there were bidirectional longitudinal associations between dysregulation and compassion fatigue, with each predicting increases in compassion fatigue and dysregulation over time, respectively. CONCLUSIONS: This study contributes to the limited research on the factors that influence how MHPs regulate their emotions and their susceptibility to compassion fatigue. Implications of emotion regulation for MHPs' own mental health and ability to do their work effectively are discussed.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».