Staff Nurse Commitment, Work Relationships, and Turnover Intentions
Notice bibliographique
Résumé
BACKGROUND: The three-component model of organization commitment has typically been studied using a variable-centered rather than a person-centered approach, preventing a more complete understanding of how these forms of commitment are felt and expressed as a whole. OBJECTIVES: Latent profile analysis was used to identify qualitatively distinct categories or profiles of staff nurses' commitment. Then, associations of the profiles with perceived work unit relations and turnover intentions were examined. METHODS: Three hundred thirty-six registered nurses provided data on affective, normative, and continuance commitment, perceived work unit relations, and turnover intentions. Latent profile analysis of the nurses' commitment scores revealed six distinct profile groups. Work unit relations and turnover intentions were compared in the six profile-defined groups. RESULTS: Staff nurses with profiles characterized by high affective commitment and/or high normative commitment in relation to other components experienced stronger work unit relations and reported lower turnover intentions. Profiles characterized by high continuance commitment relative to other components or by low overall commitment experienced poorer work unit relations, and the turnover risk was higher. High continuance commitment in combination with high affective and normative commitment was experienced differently than high continuance commitment in combination with low affective and normative commitment. DISCUSSION: Healthcare organizations often foster commitment by using continuance commitment-enhancing strategies (e.g., offer high salaries and attractive benefits) that may inadvertently introduce behavioral risk. This work suggests the importance of changing the context in which continuance commitment occurs by strengthening the other two components.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».