Sign Language Interpreters and Burnout: Exploring Perfectionism and Coping
Notice bibliographique
Résumé
Maslach (1982) conceptualizes burnout as emotional exhaustion and cynicism, which erodes an individual’s ability to effectively engage in work. A known antecedent to burnout across a variety of occupations, including interpreting, is chronic job stress (Delisle, Lariviere, Imbeau, & Durand, 2005; Swartz, 1999). The multidimensional construct of perfectionism is one personality trait noted in the literature (Flett & Hewitt, 2002) that affects how an individual perceives and manages stressors and it is consistently associated with burnout. Perfectionism is characterized by a tendency to set and strive for high personal standards and has both detrimental and beneficial potential (Stoeber & Otto, 2006). Investigators focusing on sign language interpreters have identified a wide range of cognitive and personality factors that contribute to the effective management of stress, such as perfectionistic traits (Bontempo & Napier, 2011). In contrast, negative appraisals of work, self-doubt and self-criticism are consistently associated with the development of burnout amongst sign language interpreters (Qin, Marshall, Mozrall, & Marschark, 2008; Schwenke, Ashby & Gnilka, 2014). Within the extant literature there is evidence that perfectionistic traits, influence an individual’s personal assessment of work demands and can contribute to the development of burnout. The current literature review explores the issue of burnout within the field of interpreting by considering the role of perfectionism, stress and coping, and lays the groundwork for additional research.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».