Factors influencing migration among Nepalese nurses
Notice bibliographique
Résumé
Migration of Health workers has devastating consequences leading to loss of health workers in the nation of origin. This research was carried out to identify the push factors related to migration of Nurses from Nepal to other developed countries. A cross sectional descriptive study was conducted via different social medias. The data was collected from 67 migrated Nepalese Nurses to: Australia, USA, UK and Canada. Self-administered questionnaire in the form of “Google docs form” was used to collect data from respondents. The study showed that 70.15% of respondents were of 20-29 years of age. In the study, 38.80% of respondents were from Australia followed by 31.34% from USA, 16.43% from UK and 13.43% from Canada. When the researcher advised respondents to prioritize the major cause of migration by giving 1 to major and 8 to least responsible factor of migration, the study revealed that personal ambition (Mean: 3.18), lack of job and career opportunities in Nepal (Mean: 3.57), economical factors (Mean: 3.2), and job dissatisfaction (Mean: 4.90) are the main causes of migration among Nepalese Nurses. This study also showed that 55.22% of respondents were not satisfied with their job in Nepal. 53.74% and 43.28% of the respondents are satisfied and highly satisfied respectively with their job in abroad. It can also be concluded that lack of modern facilities merely is not only the motivating factor for migration among Nepalese nurses, age and personal ambition also play a role in migration.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».