Burnout and the provision of psychosocial care amongst Australian cancer nurses
Notice bibliographique
Résumé
Purpose To assess the prevalence of burnout amongst Australian cancer nurses as well as investigate the systemic and individual factors associated with burnout, including training and supervision for nurses in psychosocial care. Burnout amongst cancer nurses can have serious consequences for the individual nurse, the hospital and patients. Psychosocial care has been demonstrated in many studies to reduce distress in cancer patients; however, previous studies have suggested that providing psychosocial care can be stressful if nurses feel they lack appropriate training. Psychosocial skill training and supervision may be a way of improving job satisfaction and reducing burnout amongst nurses. Method Two hundred and thirty cancer nurses were recruited between November 2010 and April 2011 and completed an online questionnaire. Results Burnout levels within this population were found to be below nursing norms. Adequacy of training and supervision, frequency of supervision and percentage of role spent managing psychosocial care were found to be associated with burnout. Workload, Control, Reward and Community were independent predictors of burnout, and nurses with a greater mismatch in these areas identified as having High levels of burnout. Conclusions Strategies to reduce burnout include providing cancer nurses with a varied and sustainable workload, awarding financial and social recognition of efforts and encouraging nurses to develop a sense of control over their work. Providing regular training and supervision in psychosocial care that is perceived to be adequate may also assist in reducing burnout.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».