An examination of psychological distress and moral injury in journalists exposed to online harassment
Notice bibliographique
Résumé
Background: Studies show that journalists face repeated, intense online harassment. While data reveal this is distressing to the profession, no detailed psychological study has been undertaken defining what this distress entails.Objective: To undertake a descriptive study examining the emotional wellbeing of journalists subject to online harassment.Method: Data from 246 journalists working for a Canadian news organization were collected via a secure study website. Information collected included demographics, harassment metrics (frequency and reasons for harassment); level of organizational support rated on a simple analog scale (0–10, with low scores indicating poor support); psychometric symptoms (anxiety: GAD-7; depression: PHQ-9; posttraumatic stress disorder: PCL-5; moral injury: Toronto Moral Injury Scale for Journalists).Results: The mean age of the sample was 43.07 (SD = 11.83) years. Fifty per cent were female. Harassment occurred at least weekly in 65 (26%) of the sample. Anxiety scores in the moderate to severe range were reported by 74 (30.1%) journalists while 34 (13.8%) had PTSD symptoms above the PCL-5 threshold for potential PTSD. Frequency of harassment correlated significantly with anxiety (r = 0.16, p = .014), depression (r = 0.15, p = .022), PTSD (r = 0.2, p = .002) and moral injury (r = 0.3, p < .002). Moral injury correlated significantly with anxiety (r = .40), depression (r = .41) and PTSD (r = .44; Spearman’s rho, p = .001 for all) scores. Organization support was rated as modest (M = 5.80, SD = 3.01).Conclusions: Frequency of online harassment is associated with a range of emotional responses. While anxiety is the predominant emotion, clinically significant symptoms of PTSD affect a substantial minority of journalists. Moral injury is linked to other indices of emotional distress. News organizations should do more to address the challenges posed by harassment and better support their journalists.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».