Personality traits and workplace factors predict professional quality of life among companion-animal veterinary professionals
Notice bibliographique
Résumé
Objective: To assess the prevalence of burnout (BO), secondary traumatic stress (STS), and compassion satisfaction (CS) and identify associated individual, clinic, and dog-handling factors among veterinary professionals. Methods: A cross-sectional online questionnaire was distributed to veterinary professionals in Canada and US (2023 to 2024). The questionnaire collected individual, clinic, and dog-handling information and measured ProQOL (BO, STS, CS). Logistic regression models examined associations between these factors and ProQOL. Results: Participants (n = 691) had moderate BO (71.2%), STS (71.8%), and CS (74.3%); 2.4% reported high STS, and none had high BO. Veterinarians had lower odds of moderate/high BO (OR, 0.50; 95% CI, 0.32 to 0.78) and CS (OR, 0.12; 95% CI, 0.021 to 0.64) compared with nonveterinarians. Below-normal personality traits were associated with moderate/high BO and/or STS: extraversion (BO: OR, 2.25; 95% CI, 1.47 to 3.46), agreeableness (BO: OR, 2.02; 95% CI, 1.29 to 3.18; STS: OR, 1.60; 95% CI, 1.07 to 2.39), conscientiousness (BO: OR, 3.91; 95% CI, 2.41 to 6.34; STS: OR, 3.81; 95% CI, 2.47 to 5.88), emotional stability (BO: OR, 1.96; 95% CI, 1.24 to 3.11), and openness (BO: OR, 1.64; 95% CI, 1.05 to 2.56; STS: OR, 1.88; 95% CI, 1.26 to 2.81). Stress-reducing certification was associated with moderate/high BO (OR, 2.04; 95% CI, 1.14 to 3.64). Conclusions: Personality traits and individual factors were associated with ProQOL, whereas handling techniques were not. Clinical Relevance: Findings provide exploratory evidence for workplace strategies to reduce BO and STS and enhance CS while generating hypotheses for future intervention 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 | 0,009 | 0,003 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».