Factors Affecting Turnover Intention among Nurses in Ethiopia
Notice bibliographique
Résumé
BACKGROUND: Reducing turnover is essential to address health worker shortages in the public sector and improve the quality of services. This study examines factors associated with Ethiopian nurses' intention to leave their jobs. METHODS: Survey respondents (a sample of 425 nurses at 122 facilities) rated the importance of 20 items in decisions to leave their jobs and reported whether they intended to leave their jobs in the next year. Descriptive and inferential statistical analyses were used to identify predictors of nurses' intentions to leave their jobs. RESULTS: Half (50.2%) the nurses said they intended to leave their jobs in the next year. A multivariate analysis identified three significant predictors of nurses' intention to leave their jobs: holding a university degree rather than a diploma (adjusted odds ratio (OR)=2.246, 95% confidence interval (CI)=1.212, 4.163; p<0.01), having worked fewer years in the public health system (adjusted OR=0.948, 95% CI=0.914, 0.982; p<0.01) and rating the importance of limited opportunities for professional development more highly (adjusted OR=1.398, 95% CI=1.056, 1.850; p<0.02). CONCLUSION: Interventions to increase the retention of nurses at public health facilities in Ethiopia should target young nurses who are completing their compulsory service obligation and nurses with a university degree. They should include both non-financial and financial incentives.
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 | 0,001 | 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 | 0,000 | 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 ».