Measuring Moral Injury and Its Impacts in Canadian Armed Forces and Public Safety Personnel
Notice bibliographique
Résumé
Military service has been previously identified as a risk factor for adverse mental health outcomes, including posttraumatic stress disorder (PTSD), major depressive disorder (MDD), and suicidal ideation. Existing literature confirms the heightened prevalence of these conditions among armed forces and public safety personnel (PSP) compared to the general population. However, to date there is limited research regarding the interplay between moral injury (MI) and other mental health conditions in Canadian Armed Forces (CAF) and PSP. Therefore, this body of research investigates the intersection of potentially morally injurious experiences (PMIEs) and mental health outcomes among CAF and PSP, contributing to the growing literature on MI. The dissertation includes three studies presented as three separate articles which have undergone peer-review and publication. Collectively, through mixed-method investigation, the three studies highlight the pervasive impact of PMIEs on mental health outcomes among CAF and PSP populations. In the first study, I qualitatively explore the experiences of CAF members and PSP, highlighting the complex interplay between professional duties and personal well-being, while deepening our understanding of the subjective experiences of morally injurious experiences. Building upon these insights, the second study quantitatively identifies risk factors of moral injury in CAF personnel, including stressful deployment experiences, sexual trauma, and childhood maltreatment. Lastly, the third study examines the associations between moral injury and mental health disorders among CAF personnel and Veterans. Robust relations were found between MI and various mental health conditions, emphasizing the need for comprehensive support systems and tailored interventions to address these complex interplays. Together, these findings elucidate the importance of identifying and addressing the distinct challenges faced by CAF and PSP, to promote well-being and resilience in high-stress occupational environments.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».