Predictors of employment attrition in Lebanon during multifaceted crises: The role of chronic diseases – a national cross-sectional study
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic and Lebanon’s ongoing economic crisis exacerbated existing inequalities, including workforce disparities. This study identified predictors of employment attrition during Lebanon’s concurrent crises and examined the association between chronic conditions and employment attrition. This cross-sectional study recruited adults aged 19-64 years residing in Lebanon through random digit dialing (5 January – 9 July 2024). Data collected included socio-demographics, household characteristics, employment, and self-reported chronic conditions. The outcome was the loss of paid employment (employment attrition) during the crises. Predictors were identified through LASSO regression and model discrimination and calibration were assessed. Logistic regression models, adjusted for covariates identified through directed acyclic graphs, assessed the association between number and types of chronic conditions and employment attrition. Of 2103 participants employed prior to the onset of the concurrent crises (pre-2020), 72.7% were males, 70.1% were Lebanese, and 14.7% became unemployed during the crises. Predictors of employment attrition were: older age, females, non-Lebanese, married, no formal education, having at least one chronic condition, working in a private or non-governmental organization, and having an oral agreement with employer. The predictive model demonstrated a moderate to good discriminative ability and good calibration. Pre-existing chronic conditions, such as cardiovascular disease (aOR: 2.15; 95% CI, 1.27 to 3.64) and diabetes (aOR: 2.52; 95% CI, 1.43 to 4.45), were independently associated with employment attrition. This study underscores the need to address life-course disparities contributing to job loss and to consider proactive job protections to mitigate workforce disruptions during multiple crises, particularly in contexts where social safety nets are absent.
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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».