Antecedents of customer aggressive behavior against healthcare employees
Notice bibliographique
Résumé
Purpose The purpose of the research was to develop a tool for measuring antecedents of customer aggressive behavior (CAB) in healthcare service settings, by identifying its roots in organizational and interpersonal dynamics. Design/methodology/approach Four studies were conducted. In Studies 1 and 2, antecedents of CAB were identified through analysis of internet reader comments and a questionnaire was distributed to students. In Study 3, scenarios were used to validate the findings of the previous studies. Finally, in Study 4, a scale was developed and validated for measuring organization- and person-related triggers of CAB using samples of 477 employees and 579 customers. Findings The concept of CAB was conceptualized and validated. In total, 18 items were identified across five dimensions: personal characteristics, uncomfortable environment, aggressive role models, reinforcement of aggressive behavior and aversive treatment. The scale demonstrated good psychometric results. Research limitations/implications The research relies mainly on customer perspective. Employees and additional stakeholders should be included to achieve more accurate information that could contribute to a better understanding of CAB and its roots. Practical implications Exploring social and organizational antecedents that trigger CAB could help healthcare managers evaluate and proactively manage CAB and its implications within their organization. Originality/value This measurement scale is the first comprehensive tool, based on Bandura’s social learning theory (1973), that may identify and measure antecedents of CAB, and could be used to reduce CAB in healthcare service settings.
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 | 0,009 | 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 | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 ».