Reducing pain into a tablet substantiating and numbing race-based mental health during the COVID-19 pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic may have had many negative consequences, and yet a lot was left in its wake that could help shape mental health discussions in health care settings in Canada. This paper is shaped by stories told by Filipino nurses working in Northern Ontario. While there is a plethora of studies looking at mental health issues among nurses and other health care professionals in Canadian hospitals, a gap still remains in regard to the experiences of nurses and health care workers in Northern Ontario during COVID-19. This study seeks to look at the differentiated experiences of mental health among health care professionals during and after COVID-19. This qualitative study employs a narrative approach to discuss how neoliberal capitalism, gendered racism, substance use and colonialism shaped mental health outcomes among Filipino health care workers. While many studies have focused on mental health issues among health care providers, there has been minimal focus on race-based trauma and the ways in which substance use is employed to reduce mental health issues to an individual issue, leaving pharmaceutical companies free to boost their profits. This paper employs intersectional analysis to argue for a more comprehensive understanding of mental health issues among health care workers and allow an understanding of a culturally informed perspective to inform health care policies. The result to the study depicts the various forms of race-based trauma faced by Filipino health care workers and the use of over-the-counter medication to navigate themselves through the health care system. Note that the paper will employ the term healthcare workers and nurses interchangeably.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».