Can We Predict Burnout among Student Nurses? An Exploration of the ICWR-1 Model of Individual Psychological Resilience
Notice bibliographique
Résumé
The nature of nursing work is demanding and can be stressful. Previous studies have shown a high rate of burnout among employed nurses. Recently, efforts have been made to understand the role of resilience in determining the psychological adjustment of employed nurses. A theoretical model of resilience was proposed recently that includes several constructs identified in the literature related to resilience and to psychological functioning. As nursing students are the future of the nursing workforce it is important to advance our understanding of the determinants of resilience in this population. Student nurses who had completed their final practicum were invited to participate in an online survey measuring the key constructs of the ICWR-1 model. 422 students from across Australia and Canada completed the survey between July 2014 and July 2015. As well as several key demographics, trait negative affect, mindfulness, self-efficacy, coping, resilience, and burnout were measured. We used structural equation modeling and found support for the major pathways of the model; namely that resilience had a significant influence on the relationship between mindfulness, self-efficacy and coping, and psychological adjustment (burnout scores). Furthermore, as predicted, Neuroticism moderated the relationship between coping and burnout. Results are discussed in terms of potential approaches to supporting nursing students who may be at risk of 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».