WORKPLACE SECURITY; FEMALE NURSES FACTORS PREDICTING PERCEIVED IN PUBLIC SECTOR HOSPITALS IN LAHORE
Notice bibliographique
Résumé
Introduction: This study is about female nursing staff whose mission is toprovide professional care to ailing patients, but who are also vulnerable to bullying, harassment,and even assault while they perform their duties. Objectives: The study attempts to describethe level of perceived workplace security among the nurses and investigate relationshipbetween theoretically identified predictors and the perceived workplace security of nursesworking in public hospitals in Lahore city. Study Design: Factors such as civility in co-workerbehavior, clarity of norms of communication with co-workers, integrity and trust of the leaders,awareness of law and legal procedure related to harassment at work place and physicalsettings characteristics—including transparency and privacy at the workplace—were modeledthrough a cross-sectional research design as contributing towards workplace security of femalenurses. Study Period: Oct 2015 to May, 2016. Methods: Multi-stage probability sampling wasused to collect data from 317 respondents working in five public sector hospitals in Lahorecity during first quarter of 2016. Zero-order correlation and multiple regression methods wereused to analyze the data. Findings: Results showed that civility (B=.071, p<.000) in co-workerbehavior, integrity (B=.185, p<.000) and trust of leaders (B=.059, p<.000) is the most potentfactor influencing perceived workplace security of female nurses. Moreover, clear norms ofcommunication (B=.169, p<.000) and privacy (B=.133, p<.000) at workplace also significantlyinfluence their perceived workplace security. Transparency (B=.017, p>.05) in physical settingsand awareness (B=-.014, p>.05)of law and legal procedures were found to be insignificant.Conclusion: It was concluded that setting clear work norms and leadership development inthe areas of integrity and trust can play a substantial role in improving perception of workplacesecurity in female nursing staff. Awareness of laws regarding harassment among nurses needto be increased through formal and concerted effort.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».