Identifying Mental Health Risk in Medical Students: A Quantitative Analysis of Wellness Assessments for First- and Third-Year Students at the University of Ottawa
Notice bibliographique
Résumé
<ns3:p> Introduction An alarming prevalence of burnout among medical students has been reported in many countries, including Canada. To design resilience and wellness programs, it is important to explore individual risk factors. This article presents an example of a Wellness Assessment Program for medical students at the University of Ottawa. The goal was to identify risk factors for poorer mental health outcomes among medical students at the University of Ottawa. Methods We conducted a quantitative study using a Wellness Assessment Questionnaire among four cohorts of first- and third-year students. Results Risk factors that significantly impacted the mental health of 1 <ns3:sup>st</ns3:sup> and 3 <ns3:sup>rd</ns3:sup> year medical students at the University of Ottawa were physical health, sleep/fatigue, social support, education and career, stress, and drug and/or alcohol use. Students who were originally from Ottawa had more social support and less stress and drug and/or alcohol use (p < 0.001;p=0.009). Being in the Francophone cohort had a positive effect on physical health, but a negative effect on psychological/emotional health (p=0.039;p=0.004). There was a statistically significant difference (p=0.021) between the psychological/emotional health of 1st-year students (M=0.7895) and 3rd-year students (M=0.8923) when covariates (risk factors) were not considered. Discussion In the current context of the limited effectiveness of measures to address the negative impacts of medical education on student well-being, this study showed that efficient use of the Wellness Assessment Program data can identify risk factors that have a significant impact on wellness. </ns3:p>
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».