Staff engagement as a target for managing work environments in psychiatric hospitals: implications for workforce stability and quality of care
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To examine relationships between practice environment ratings, workload, work engagement, job outcomes and assessments of quality of care in nursing personnel in psychiatric hospitals. DESIGN: Cross-sectional survey. BACKGROUND: A broad base of research studies in health care reveals important links between work environment factors, staff burnout and organisational outcomes that merit examination in inpatient mental healthcare settings. Work engagement, a positively framed parallel construct for burnout, may offer an additional insight into the impacts of work on staff. METHODS: A sample of 357 registered nurses (65·5%), licensed practical nurses (23·5%) and non-registered caregiver (10·6%) of two Belgian psychiatric hospitals were surveyed. A causal model was tested using structural equation modelling, whereby it was proposed that work engagement would be influenced by work environment factors and itself impact perceived quality of care and staff job outcomes such as job satisfaction and turnover intentions. RESULTS: An adjusted model was confirmed. Practice environment features influenced staff vigour and dedication and demonstrated positive effects on job satisfaction, turnover intentions and perceived quality of care through their effects on absorption. CONCLUSION: The findings of this study suggest that work engagement is a likely direct consequence of practice environments that may ultimately have impacts on both staff and patient outcomes. RELEVANCE TO CLINICAL PRACTICE: Leaders, nurse managers, clinicians as well as nurses themselves should be aware of the importance of work environments in mental healthcare facilities that favour engagement. Future efforts should focus on developing and sustaining practice environments that engage mental healthcare workers within interdisciplinary teams with the goal of creating a stable workforce possessing optimal possible knowledge, skills and abilities for delivering care.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».