What stresses remote area nurses? Current knowledge and future action
Notice bibliographique
Résumé
OBJECTIVE: Review and synthesise the literature identifying the stresses experienced by remote area nurses (RANs). Identify interventions implemented to address identified stresses. Explore the use of the job demands-resources (JD-R) model. METHODS: A comprehensive literature review was conducted using the meta-databases Ovid and Informit. SETTING: Remote Australian primary health care centres. RESULTS: The reported demands experienced by RANs can be grouped into four themes: (i) the remote context; (ii) workload and extended scope of practice; (iii) poor management; and (iv) violence in the workplace and community. In this high-demand, low-resource context, the JD-R model of occupational stress is particularly pertinent to examining occupational stress among RANs. The demands on RANs, such as the isolated geographical context, are immutable. However, there are key areas where resources can be enhanced to better meet the high level of need. These are: (i) adequate and appropriate education, training and orientation; (ii) appropriate funding of remote health services; and (iii) improved management practices and systems. CONCLUSION: There is a lack of empirical evidence relating to stresses experienced by RANs. The literature identifies some of the stresses experienced by RANs as unique to the remote context, while some are related to high demands coupled with a deficit of appropriate resources. Use of models, such as the JD-R model of occupational stress, might assist in identifying key areas where resources can be enhanced to better meet the high level of need and reduce RANs' levels of stress.
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 | 0,023 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».