The mediating effect of severity of client aggression on burnout between hospital inpatient and community residential staff who support adults with intellectual disabilities
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To compare exposure to client aggressive behaviour, perceived self-efficacy in managing this behaviour and burnout between community residential group home and specialised hospital inpatient staff who provide care for adults with intellectual disabilities (ID). To assess the mediating role of aggression exposure on burnout in these two staff groups. BACKGROUND: Aggressive behaviour is a common indication for admission to hospital so these staff typically experience more frequent and severe forms compared to staff working in the community. There have been mixed results in few studies examining burnout and perceived self-efficacy between these two groups. DESIGN: This study used a demographically matched sample of cross-sectional survey data from community residential group home and hospital staff who care for adults with ID in Ontario, Canada. METHODS: Exposure to aggression, perceived self-efficacy and burnout were compared for 42 matched pairs using descriptive statistics. A mediation analysis was used to examine the role of aggression severity in the relationship between care setting and burnout. RESULTS: Hospital staff were exposed to more severe client aggression and scored higher in emotional exhaustion (EE). There were no differences in perceived self-efficacy. Severity of aggression was a partial mediator of the higher EE among hospital staff. CONCLUSIONS: Exposure to more severe forms of client aggression among hospital staff contributes, at least in part, to them feeling more emotionally exhausted. This study contributes to further understanding exposure to aggression in these different settings and the impact it can have on emotional outcomes. RELEVANCE TO CLINICAL PRACTICE: There may be a role for policy and resource development aimed at reducing aggression and preventing or managing the associated emotional consequences. This is particularly true in hospitals, where aggression is most severe.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».