Nursing churn and turnover in Australian hospitals: nurses perceptions and suggestions for supportive strategies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: This study aimed to reveal nurses' experiences and perceptions of turnover in Australian hospitals and identify strategies to improve retention, performance and job satisfaction. Nursing turnover is a serious issue that can compromise patient safety, increase health care costs and impact on staff morale. A qualitative design was used to analyze responses from 362 nurses collected from a national survey of nurses from medical and surgical nursing units across 3 Australian States/Territories. METHOD: A qualitative design was used to analyze responses from 362 nurses collected from a national survey of nurses from medical and surgical nursing units across 3 Australian States/Territories. RESULTS: Key factors affecting nursing turnover were limited career opportunities; poor support; a lack of recognition; and negative staff attitudes. The nursing working environment is characterised by inappropriate skill-mix and inadequate patient-staff ratios; a lack of overseas qualified nurses with appropriate skills; low involvement in decision-making processes; and increased patient demands. These issues impacted upon heavy workloads and stress levels with nurses feeling undervalued and disempowered. Nurses described supportive strategies: improving performance appraisals, responsive preceptorship and flexible employment options. CONCLUSION: Nursing turnover is influenced by the experiences of nurses. Positive steps can be made towards improving workplace conditions and ensuring nurse retention. Improving performance management and work design are strategies that nurse managers could harness to reduce turnover.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 découle