RNs and LPNs: emotional exhaustion and intention to leave
Notice bibliographique
Résumé
AIMS: To describe and compare registered nurse (RN) and licensed practical nurse (LPN) emotional exhaustion, intention to leave and reasons for leaving. BACKGROUND: Different skill mix/care delivery models are being used to address nurse shortages and rising health-care costs. Skill mix may include RNs and LPNs. More LPNs are being employed in areas, such as acute care, that have been previously staffed by all RNs. Little is known about nurse outcomes since the introduction of LPNs to acute care settings. METHODS: This study was a cross-sectional correlational design. A stratified, random sample of acute care nurses completed surveys via Fluidsurveys. The survey was modelled after the RN4CAST nursing workforce survey. RESULTS: For both groups of nurses higher levels of emotional exhaustion were associated with intention to leave and workload was the most frequent reason cited for intention to leave. More RNs than LPNs cited career advancement as a reason to leave, and more LPNs than RNs identified poor salary as a reason to leave. CONCLUSIONS: Emotional exhaustion is linked to intention to leave health care. IMPLICATIONS FOR NURSING MANAGEMENT: Nurse managers should address work environment factors associated with turnover intentions, such as professional development opportunities and shared decision-making.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».