Changes in emotional distress among Ontario education workers during the COVID-19 pandemic: 2021–2023
Notice bibliographique
Résumé
INTRODUCTION: Education workers experienced increased stress during the COVID-19 pandemic adapting to changing work locations, workload, and pedagogical approaches as well as dealing with pandemic-induced personal life stress. METHODS: The goal of this Canadian prospective cohort study was to determine whether levels of distress, as measured by the Kessler Psychological Distress Scale (K10), varied significantly over the course of the study (February 18, 2021 to December 22, 2023) among Ontario education workers after adjusting for demographic, work-related, and temporal factors. Exposure data were collected at enrollment and updated annually while vaccination and illness surveys were completed as needed. The K10 was completed periodically throughout the study. Linear mixed effects models were used to assess factors associated with changes in K10 scores. RESULTS: On average, K10 scores fell 0.5% every four weeks over the 34-month long study. However, the mean score, that decreased from 23.1 at study start to 19.3 by study end, remained above the cut-off of 15, indicating no ongoing emotional distress. Lower distress scores were also associated with non-winter seasons, older age, being male, and being in very good/excellent health. Alternatively, higher K10 scores were associated with being on medications to reduce anxiety, depression, or sleeping problems, return-to-workplace periods after school lockdowns, and periods of intense non-pharmacological interventions. CONCLUSION: Early identification of people most likely to experience distress is needed so that stress remediation strategies can be quickly implemented. Younger, female education workers with lower rated subjective health, who are taking medications to reduce anxiety, depression, or sleeping problems are likely to be at the highest risk. Recognizing periods that intensify stressful situations, such as pandemics and intervals within them, is important to anticipate the need for assistance.
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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».