O aumento dos casos da Síndrome de Burnout nos profissionais da saúde durante a pandemia da Covid-19
Bibliographic record
Abstract
Com o início do período pandêmico pela COVID-19 no início de 2020, os profissionais das mais variadas áreas tiveram que se adaptar ao novo momento, adotando como medida preventiva o "home office". Entretanto, os trabalhadores do setor da saúde não são detentores desse privilégio, uma vez que são a classe laboral mais requisitada em uma época de crise sanitária. Além disso, o maior problema é que seu trabalho envolve o contato físico frequente com os pacientes, o que expõe essas pessoas à contaminação. Não apenas isso, mas há estudos que descrevem a possibilidade do aumento dos índices da síndrome de burnout – distúrbio de esgotamento profissional – entre profissionais da área de saúde, uma vez que, devido à alta procura por seus serviços, suas cargas horárias estão mais elevadas. Ainda, é importante destacar o surgimento de burnout associado a sinais psíquicos, a saber do estresse causado pelo elevado número de mortes e da preocupação de contaminação de familiares por parte desses empregados. A partir disso, o estudo é uma revisão literária feita a partir da base de dados PubMed e Scielo com o objetivo de analisar o aumento dos casos da síndrome de burnout nos profissionais da saúde durante a pandemia da COVID-19.
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 | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".