Motivations to conduct research and burnout in medical education: a mixed methods study of students and residents
Notice bibliographique
Résumé
Background: Burnout is on the rise in medical training as workload increases. One such demand is the pressure for research productivity earlier in training. However, little is known about the impacts of this trend and its mediating factors as trainees progress. Important influences may be motivation sources and supports, since intrinsic motivation is linked to well-being. This mixed methods study investigated associations between burnout and motivations for conducting research in a sample of medical students and residents in one academic centre. Methods: Participants completed an online survey including validated scales for measuring burnout (Maslach Burnout Inventory) and intrinsic research motivation (using the Situational Motivation Scale) along with open response items to identify supports for autonomy, competence, and relatedness in the process of conducting research. Results were synthesized from the statistical and thematic analyses, using the framework of self-determination theory. Results: Forty-three survey responses were analyzed. Overall prevalence of burnout was high (60.5%) and evidenced a progressive impact, with a significant increase in depersonalization among residents compared to medical students. Participants articulating more intrinsic reasons for doing research had lower levels of burnout. Intrinsically motivated individuals were more likely to have increased relational and academic supports and less likely to internalize barriers to conducting research. Residents expressed more competence in their ability to do research but less relational supports. Discussion/Conclusions: Burnout is a multifaceted condition requiring multiple mitigation strategies. This study identified a correlation between research motivation and burnout and mediating protective factors. These findings can inform study of interventions focussed on targeted motivational supports to advance research training in medical education.
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 | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».