Factors Associated With Staff Injuries in Intermediate Care Facilities in British Columbia, Canada
Notice bibliographique
Résumé
BACKGROUND: Large variations in staff injury rates across intermediate care facilities suggest that injuries may be driven by facility-specific work environment factors. OBJECTIVES: To identify work organization, psychosocial, and biomechanical factors associated with staff injuries in intermediate care facilities, to pinpoint management practices that may contribute to lower staff injuries, and to generate a provisional conceptual framework of work organization characteristics. METHODS: Four representative intermediate care facilities with high staff injury rates and four facilities with comparable low staff injury rates were selected from Workers' Compensation Board (WCB) databases. Methods included on-site injury data collection and review of associated WCB data, ergonomic study of workloads, a telephone survey of resident care staff, manager-staff interviews, and focus groups. Pearson product-moment correlation coefficients identified associations between variables. Analysis of variance and t tests were used to determine differences between low and high staff injury rate facilities. Content analysis guided the qualitative analysis. RESULTS: There were no significant differences between low and high staff injury rate facilities in terms of workers' characteristics, residents' characteristics, and per capita public funding. The ergonomic study supported the survey data in demonstrating a relation among low staffing levels, greater muscle loading, and greater risk of injury. As compared with facilities that had high staff injury rates, facilities with low staff injury rates had significantly more favorable staffing levels and supportive work environments. Perceived quality of care was strongly correlated with burnout, health, and satisfaction. CONCLUSIONS: Safer work environments are promoted by favorable staffing levels, convenient access to mechanical lifts, workers' perceptions of employer fairness, and management practices that support the caregiving role.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».