Znanje zdravstvenih djelatnika o COVID-19 i povezanost s njihovom percepcijom stresa u vremenu epidemije
Bibliographic record
Abstract
Zbog novonastale situacije s epidemijom COVID-19 svijet se suočava s novim izazovom i neprijateljem. Suočeni s ovim virusom, zdravstveni djelatnici se nalaze na prvoj crti borbe protiv njega. To iziskuje od njih da sad budu spremni na nove scenarije i nove situacije s kojima se još nisu susreli. Promjene radnog vremena, radnog mjesta, navika u nošenju zaštitne opreme i pristupa pacijentima samo su neki od izazova. Sve to utječe na samog zdravstvenog djelatnika te se javlja stres koji je neizbježan faktor i rezultat borbe s epidemijom. U radu je sudjelovalo 304 medicinskih sestri i tehničara koji rade na različitim odjelima i zdravstvenim ustanovama u samom jeku trajanja epidemije, u mjesecu svibnju i lipnju. Korišteni su profesionalni alati za procjenu skora anksioznosti (GAD-7), depresije (PHQ-9), nesanice (Insomnia Severity Indeks) i samog stresa sudionika. Dobiveni rezultati ukazuju da znanje o novoj COVID-19 bolesti među medicinskim sestrama i tehničarima je prosječno odnosno imaju srednje znanje o COVID-19. Prosječan sudionik ima rezultat koji ukazuje na blagu nesanicu, blage anksiozne simptome, blage simptome depresije te umjeren stres. Međutim, razine stresa variraju. Jedna četvrtina sudionika nema simptome stresa (20,7%), druga četvrtina osjeća blagi stres (26,6%) te jednak broj sudionika osjeća umjeren (23%) i teški stres (29,6%). Zdravstveni djelatnici sa manje godina radnog staža u zdravstvu izražavaju veće razine stresa te su anksiozniji. Oni zdravstveni djelatnici s više znanja o COVID-19 imaju pozitivniju percepciju situacije, dok isto tako oni koji imaju pozitivniju percepciju imaju i manje problema s nesanicom i anksioznošću. Ovim istraživanjem je uočeno da sudionici koji su radili na COVID-19 odjelu pokazuju podjednake razine stresa, depresije, anksioznosti i nesanice kao i njihovi kolege s drugih odjela.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".