MétaCan
Menu
Retour à la cohorte
Enregistrement W1548900525 · doi:10.1111/jan.12686

Understanding compassion fatigue: understanding compassion

2015· article· en· W1548900525 sur OpenAlexaff
Kathleen Ledoux

Notice bibliographique

RevueJournal of Advanced Nursing · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare professionals’ stress and burnout
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésCompassionCompassion fatigueConstruct (python library)PsychologyNursingMedicineClinical psychologyBurnoutComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

AIM: A discussion of how the construct of compassion fatigue is understood in nursing. BACKGROUND: Compassion fatigue is a topic commonly found in nursing literature. DESIGN: Discussion paper. DATA SOURCES: The literature from 1992-2012 on compassion fatigue was examined. The literature from 1998-2012 on compassion was examined. IMPLICATIONS FOR NURSING: There are multiple and diverse understandings and definitions of what compassion fatigue is. So much so, there are equally multiple, diverse and conflicting strategies to mitigate it. To understand better what compassion fatigue is, an examination of what compassion is was undertaken. Much is written that nurses are, or should be compassionate. Compassion is an archetype of nursing. However, there is little in the nursing literature defining what compassion is. Literature on compassion outside of nursing was then examined. There is a growing body of theory and research about compassion in other disciplines. None of the multiple definitions of nurse compassion fatigue match this understanding of compassion. The tools most often used to measure nurse compassion fatigue do not appear to measure the construct of compassion. CONCLUSION: To understand what nurse compassion fatigue is, we must first understand what nurse compassion is.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0060,020
Communication savante0,0080,013
Science ouverte0,0020,007
Intégrité de la recherche0,0050,008
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,505
Tête enseignante GPT0,514
Écart entre enseignants0,009 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations224
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced NursingMême sujetHealthcare professionals’ stress and burnoutTravaux en français237 207