The Impact of COVID-19 Pandemic Demands on By-law Officer Wellness and Work
Notice bibliographique
Résumé
This research sheds light on how the rapid demand to enforce transitioning pandemic-related (and reopening) mandates impacts the wellness of bylaw officers in the context of resource strain. Ontario bylaw officers are at the forefront of the province’s response, enforcing lockdown rules to ensure community safety. This research is imperative in understanding how bylaw officers maintain their roles in municipal enforcement, while enforcing rapidly shifting COVID-19 regulations and moving forward into a post-lockdown climate. The research focuses on identifying and understanding the demands and resources that currently typify bylaw officers working in Southern Ontario. It further examines how the COVID-19 pandemic influences the level of work commitment and engagement bylaw officers have towards their jobs. Guided by Bakker and Demerouti’s (2007) Job Demands and Resource Model (JD-R Model), which suggests that an imbalance between high demands and limited resources can lead to stress and strain, this study explores the specific job demands and resources available to Ontario bylaw officers. In using a qualitative approach to data collection and analysis, semi-structured interviews with consenting bylaw officer participants (N=8) have been conducted. The data explores the lived experiences of bylaw officers during the announcement of the Emergency Act, understanding how work demands and resources impact their mental well-being, job engagement, and commitment. This study addresses a gap in the literature by investigating bylaw officers, and it clarifies the unique demands, stressors, resources, coping well-being, and occupational performance factors that have influenced their work during the COVID-19 pandemic and post-pandemic. Moreover, the study highlights the challenges they face, such as increased job demands, insufficient resources and the emotional toll of enforcing public health measures. Additionally, it identifies coping strategies used by bylaw officers, including peer support, mental health resources, and personal coping mechanisms.
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 | 0,006 |
| 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 | 0,008 | 0,004 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».