Profiling caregivers: Caregiving workload, mobility, stress, and remote work difficulties
Notice bibliographique
Résumé
The increasing focus on the urban dimensions of care has brought attention to mobility as a crucial aspect. However, traditional origin–destination and time-use surveys often overlook the nuanced and diverse aspects of care-related mobility. They fail to account for the variety of care tasks, socioeconomic conditions, spatial contexts, and relational dynamics that shape different forms of care-related movement. Our article aims to contribute to filling these gaps by analyzing caregivers’ mobility, caregiving tasks, and sociodemographic characteristics. Using a survey in Chile that compares a pre-pandemic scenario with the first reaction to the pandemic, the article uses hierarchical clustering to find caregiving-related profiles and a joint multivariate model to identify observed and unobserved effects impacting the level of stress, ease of movement, and struggle to engage in paid work from home. Our analysis identifies four distinct caregiving mobility profiles, revealing significant disparities. Caregivers with heavier workloads and limited resources experienced the greatest challenges, including restricted mobility, higher stress, and difficulty managing remote work. Our model shows that gender is a critical factor influencing stress, mobility, and work-from-home struggles, even after accounting for socioeconomic and behavioral factors. Individuals less concerned about COVID-19 mobility restrictions reported lower stress levels. Lower stress levels were reported by those less concerned about COVID-19 restrictions, while stress was notably higher among caregivers for individuals with special needs and young children (0–6 years). Connectivity issues further intensified remote work challenges. These findings underscore the need for urban mobility planning and policies that recognize caregiving as a relational activity shaped by spatial and social dynamics, emphasizing the diverse impacts on caregivers.
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 | 0,005 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».