Situational and dispositional predictors of nurse manager burnout: a time-lagged analysis
Notice bibliographique
Résumé
BACKGROUND: Burnout among nurses is a serious condition that threatens their own health and that of their patients. In current health care settings, nurses are particularly at risk for burnout given the increased patient acuity and the worsening nursing shortage. AIM: This study examined the influence of effort-reward imbalance, a situational variable, and core self-evaluation, a dispositional variable, on nurse managers' burnout levels over a 1-year period. METHODS: A predictive longitudinal survey design was used to examine the relationships described in the model. One hundred and thirty-four nurse managers responded to a mail survey at two points in time. RESULTS: As hypothesized, both personal and situational factors influenced nurse manager burnout over a 1-year time frame. Although burnout levels at Time 1 accounted for significant variance in emotional exhaustion levels 1 year later (beta = 0.355), nurses' effort-reward imbalance (beta = 0.371) and core self-evaluations (beta = -0.166) explained significant additional amounts of variance in burnout 1 year later. CONCLUSION: Both personal and situational factors contribute to nurse manager burnout over time. Implications for nursing management Managers must consider personal and contextual factors when creating work environments that prevent burnout and foster positive health among nurses at work.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».