Recovering After COVID-19: A Comparison of Burnout Levels Among Care Aides From 2014 to 2024
Notice bibliographique
Résumé
OBJECTIVES: To examine recovery (prepandemic to postpandemic), specifically related to burnout for care aides working in nursing homes. DESIGN: This repeated cross-sectional study used 5 data collection points spanning 10 years (2014-2024) collected by Translating Research in Elder Care (TREC). Time points were prepandemic: T1 (September 2014 to May 2015), T2 (May to December 2017), and T3 (September 2019 to March 2020); pandemic: T4 (June 2021to September 2021); and postpandemic: T5 (September 2023 to May 2024). SETTING AND PARTICIPANTS: Participants were health care aides (care aides) working in nursing homes in the urban health zones of Calgary and Edmonton in the province of Alberta, Canada. METHODS: Measurements included demographic variables, unit and nursing home characteristics, and burnout, specifically the Maslach Burnout Inventory, short form 9 (MBI-GS9). The MBI has 3 subscales, emotional exhaustion, cynicism, and professional efficacy. We used descriptive statistics to describe the sample characteristics. We used hierarchical linear models (3 levels) to account for the nested structure of data to examine the change in burnout over time and examine factors associated with it. RESULTS: Our total sample for each time point was as follows: T1 (n = 1620), T2 (n = 1789), T3 (n = 1590), T4 (n = 760), and T5 (n = 1727). Comparing burnout levels prepandemic to postpandemic showed that care aides' level of emotional exhaustion postpandemic was higher than prepandemic and that their level of professional efficacy was lower, which was statistically significant. Care aides' age and shift often worked were significantly associated with emotional exhaustion, cynicism, and professional efficacy. CONCLUSIONS AND IMPLICATIONS: Care aides have not fully recovered to prepandemic burnout levels, specifically their emotional exhaustion and professional efficacy levels. This study has important implications for the retention of this essential workforce in nursing homes.
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 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».