Notice bibliographique
Résumé
Abstract: Objective: The study investigates the workplace-related determinants of academic faculty burnout in health professions institutions. Methods: This mixed-methods study employs both quantitative and qualitative approaches. We invited 154 academic faculty members from health professions colleges to participate and measured burnout using the original 22-item Maslach Burnout Inventory (subscales: Emotional Exhaustion, Depersonalization, and Low Personal Accomplishment). A p-value of less than .05 is considered statistically significant. We used a direct content analysis approach to code the interview transcripts after transcription. Results: Out of the 96 participants (62%), 38 (39.6%) reported mild to moderate burnout, while 60.4% experienced significant burnout. Emotional Exhaustion (41.7%) was more prevalent than Personal Accomplishment (38.5%) and Depersonalization (DP) (25%) among most faculty members. A psychometric analysis showed a significant correlation ( p-value = .02) between burnout and education level. Our analysis identified four key factors influencing burnout: (a) workload, (b) lack of integrity in professional competence, (c) workplace stress, and (d) insufficient engagement in professional development activities leading to career dissatisfaction. Conclusion: Faculty members in health professions face high levels of burnout. Preventive measures and corrective programs to reduce burnout and enhance performance are recommended.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,004 |
| 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 ».