Trusting in times of the COVID-19 crisis: Workplace and government trust and depressive symptoms among healthcare workers
Notice bibliographique
Résumé
Previous research has highlighted the negative impact of the COVID-19 pandemic on healthcare workers' (HCWs) mental health, yet protective factors remain underexplored. Emerging studies emphasize the importance of trust in government and interpersonal relationships in reducing infections and fostering positive vaccine attitudes. This study investigates the relationship between HCWs' trust in the workplace and government and depressive symptoms during the pandemic. The COVID-19 HEalth caRe wOrkErS study surveyed 32,410 HCWs from 22 countries, including clinical and nonclinical staff. Participants completed the Patient Health Questionnaire-9 and ad-hoc questions assessing trust in the workplace and government. Logistic regression and multilevel models examined associations between trust levels and depressive symptoms. High workplace trust (OR = 0.72 [0.68, 0.76]) and government trust (OR = 0.72 [0.69, 0.76]) were linked to lower odds of depressive symptoms, with significant between-country variation. Country-level analyses showed that workplace trust was more protective in more developed countries and under stricter COVID-19 restrictions. Despite cross-country variation, HCWs with higher trust in the workplace and government had ~28% lower odds of experiencing depressive symptoms compared to those with lower trust. Promoting trust may help mitigate the mental health impact of future crises on HCWs.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».