Factors Influencing Female Registered Nurses' Work Behavior
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
OBJECTIVE: To analyze factors that are related to whether registered nurses (RNs) work (WK) or do not work (NW) in nursing; and if the RN works, whether she works full- (FT) or part-time (PT). DATA SOURCES: Secondary data from National Sample Survey of Registered Nurses 2000 (NSSRN), the InterStudy Competitive Edge Part III Regional Market Analysis (2001), and the Area Resource File (2002). STUDY DESIGN: Using a cross-sectional design we tested the relationship between WK or NW and FT or PT; and demographic, job-related, and metropolitan statistical area (MSA)-level variables. DATA COLLECTION/EXTRACTION METHODS: We combined the data sources noted above to produce the analytic sample of 25,471 female RNs. PRINCIPAL FINDINGS: Working in nursing is not independent of working FT or PT. Age (55 and older), other family income, and prior other work experience in health care are negatively related to working as an RN. The wage is not related to working as an RN, but negatively influences FT work. Age, children, minority status, student status, employment status, other income, and some job settings have a negative impact on working FT. Previous health care work has a positive effect on whether married RNs worked. Married RNs who are more dissatisfied are less likely to work FT. A greater number of market-level factors influence FT/PT than WK/NW behavior. CONCLUSIONS: An important contribution of this study is demonstrating that MSA-level variables influence RN work behavior. The market environment seems to have little effect on whether a nurse works, but is influential on how much the nurse works, and has differential effects on married versus single nurses.
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 | 0,001 | 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 | 0,001 | 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