Understanding Small Business Engagement in Workplace Violence Prevention Programs
Notice bibliographique
Résumé
PURPOSE: Worksite wellness, safety, and violence prevention programs have low penetration among small, independent businesses. This study examined barriers and strategies influencing small business participation in workplace violence prevention programs (WVPPs). APPROACH: A semistructured interview guide was used in 32 telephone interviews. SETTING: The study took place at the University of North Carolina Injury Prevention Research Center. PARTICIPANTS: Participating were a purposive sample of 32 representatives of small business-serving organizations (e.g., business membership organizations, regulatory agencies, and economic development organizations) selected for their experience with small businesses. INTERVENTION: This study was designed to inform improved dissemination of Crime Free Business (CFB), a WVPP for small, independent retail businesses. METHODS: Thematic qualitative data analysis was used to identify key barriers and strategies for promoting programs and services to small businesses. RESULTS: Three key factors that influence small business engagement emerged from the analysis: (1) small businesses' limited time and resources, (2) low salience of workplace violence, (3) influence of informal networks and source credibility. Identified strategies include designing low-cost and convenient programs, crafting effective messages, partnering with influential organizations and individuals, and conducting outreach through informal networks. CONCLUSION: Workplace violence prevention and public health practitioners may increase small business participation in programs by reducing time and resource demands, addressing small business concerns, enlisting support from influential individuals and groups, and emphasizing business benefits of participating in the program.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».