Factors influencing nurse‐assessed quality nursing care: A cross‐sectional study in hospitals
Notice bibliographique
Résumé
AIM: To propose a hypothesized theoretical model and apply it to examine the structural relationships among work environment, patient-to-nurse ratio, job satisfaction, burnout, intention to leave and quality nursing care. BACKGROUND: Improving quality nursing care is a first consideration in nursing management globally. A better understanding of factors influencing quality nursing care can help hospital administrators implement effective programmes to improve quality of services. Although certain bivariate correlations have been found between selected factors and quality nursing care in different study models, no studies have examined the relationships among work environment, patient-to-nurse ratio, job satisfaction, burnout, intention to leave and quality nursing care in a more comprehensive theoretical model. DESIGN: A cross-sectional survey. METHODS: The questionnaires were collected from 510 Chinese nurses in four Chinese tertiary hospitals in January 2015. The validity and internal consistency reliability of research instruments were evaluated. Structural equation modelling was used to test a theoretical model. RESULTS: The findings revealed that the data supported the theoretical model. Work environment had a large total effect size on quality nursing care. Burnout largely and directly influenced quality nursing care, which was followed by work environment and patient-to-nurse ratio. Job satisfaction indirectly affected quality nursing care through burnout. CONCLUSIONS: This study shows how work environment past burnout and job satisfaction influences quality nursing care. Apart from nurses' work conditions of work environment and patient-to-nurse ratio, hospital administrators should pay more attention to nurse outcomes of job satisfaction and burnout when designing intervention programmes to improve quality nursing care.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».