Registered nurses’ experiences of patient violence on acute care psychiatric inpatient units: an interpretive descriptive study
Notice bibliographique
Résumé
BACKGROUND: Nurses working in acute care psychiatry settings experience high rates of patient violence which influences outcomes for nurses and the organization. This qualitative study explored psychiatric nurses' experiences of patient violence in acute care inpatient psychiatric settings. METHODS: An interpretive descriptive design guided this study that included 17 semi-structured interviews with a purposeful sample of 12 Canadian registered nurses who self-reported experiencing patient violence within acute care inpatient psychiatry. Thematic analysis and constant comparison techniques were used for analysis. A problem, needs and practice analysis was also used to structure overall data interpretation. RESULTS: Thirty three unique exposures to patient violence among the sample of nurses were analysed. Nurses reported experiencing physical, emotional and verbal violence. For many, patient violence was considered "part of the job." Nurses often struggled with role conflict between one's duty to care and one's duty to self when providing care following a critical incident involving violence. Issues of power, control and stigma also influenced nurse participant perceptions and their responses to patient violence. Nurses used a variety of strategies to maintain their personal safety and to prevent, and manage patient violence. Nurses endorsed the need for improved education, debriefing following an incident, and a supportive work environment to further prevent patient violence. Present findings have implications for reducing the barriers to reporting violent experiences and the creation of best practice guidelines to reduce patient violence in the workplace. CONCLUSIONS: Understanding the perspectives and experiences of nurses in acute inpatient psychiatry leads to greater understanding of the phenomenon of patient violence and may inform the development of interventions to prevent and to respond to patient violence, as well as support nurses working within the acute care setting.
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 | 0,013 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».