Can Self‐Compassion Promote Healthcare Provider Well‐Being and Compassionate Care to Others? Results of a Systematic Review
Notice bibliographique
Résumé
BACKGROUND: This meta-narrative review, conducted according to the RAMESES (Realist And Meta-narrative Evidence Syntheses: Evolving Standards) standards, critically examines the construct of self-compassion to determine if it is an accurate target variable to mitigate work-related stress and promote compassionate caregiving in healthcare providers. METHODS: PubMed, Medline, CINAHL, PsycINFO, and Web of Science databases were searched. Studies were coded as referring to: (1) conceptualisation of self-compassion; (2) measures of self-compassion; (3) self-compassion and affect; and (4) self-compassion interventions. A narrative approach was used to evaluate self-compassion as a paradigm. RESULTS: Sixty-nine studies were included. The construct of self-compassion in healthcare has significant limitations. Self-compassion has been related to the definition of compassion, but includes limited facets of compassion and adds elements of uncompassionate behavior. Empirical studies use the Self-Compassion Scale, which is criticised for its psychometric and theoretical validity. Therapeutic interventions purported to cultivate self-compassion may have a broader effect on general affective states. An alleged outcome of self-compassion is compassionate care; however, we found no studies that included patient reports on this primary outcome. CONCLUSION: We critically examine and delineate self-compassion in healthcare providers as a composite of common facets of self-care, healthy self-attitude, and self-awareness rather than a construct in and of itself.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».