Identifying the key predictors for retention in critical care nurses
Notice bibliographique
Résumé
AIMS: The aim of this study was to explore the key predictors of retention in nurses working in critical care areas. BACKGROUND: The shortage of critical care nurses is reaching crisis proportions in Canada and throughout the industrialized world. Identifying the key influencing (i.e. person and organizational) factors and intermediary factors (i.e. job satisfaction, engagement, professional quality of life and caring) that affect intent to leave is central to developing optimal retention strategies for critical care nurses. DESIGN: As part of a larger mixed-methods study, we used a quantitative, cross-sectional research design. A novel framework: the Conceptual Framework for Predicting Nurse Retention was used to guide this study. METHODS: On-line survey data were collected from on a convenience sample of 188 registered nurses working in critical care areas of hospitals in the province of Manitoba, CANADA in 2011. RESULTS: Twenty-four per cent of the respondents reported that they would probably/definitely leave critical care in the next year. Based on bivariate and regression analyses, the key influencing factors that were significantly related to the intermediary factors and intent to leave critical care and nursing included: professional practice, management, physician/nurse collaboration, nurse competence, control/responsibility and autonomy. Of the intermediary factors, all but compassion satisfaction were related to intent to leave both critical care and nursing. CONCLUSION: This study highlights the importance of exploring multiple organizational and intermediary factors to determine strategies to retain critical care nurses. The findings also support the Conceptual Framework for Predicting Nurse Retention as a theoretical basis for further research.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».