Nurses’ leadership self-efficacy, motivation, and career aspirations
Notice bibliographique
Résumé
Purpose This paper aims to test a model examining precursors and outcomes of nurses’ leadership self-efficacy, and their aspirations to management positions. Design/methodology/approach A cross-sectional survey of 727 registered nurses across Canada was conducted. Structural equation modelling using Mplus was used to analyse the data. Findings Results supported the hypothesized model: χ 2 (312) = 949.393; CFI = 0.927; TLI = 0.919; RMSEA = 0.053 (0.049-0.057); SRMR 0.044. Skill development opportunities ( ß = 0.20), temporary management roles ( ß = 0.12) and informal mentoring ( ß = 0.11) were significantly related to nurses’ leadership self-efficacy, which significantly influenced motivation to lead ( ß = 0.77) and leadership career aspirations ( ß = 0.23). Motivation to lead was significantly related to leadership career aspirations ( ß = 0.50). Practical implications Nurses’ leadership self-efficacy is an important determinant of their motivation and intention to pursue a leadership career. Results suggest that nurses’ leadership self-efficacy can be influenced by providing opportunities for leadership mastery experiences and mentorship support. Leadership succession planning should include strategies to enhance nurses’ leadership self-efficacy and increase front-line nurses’ interest in leadership roles. Originality value With an aging nurse leader workforce, it is important to understand factors influencing nurses’ leadership aspirations to develop and sustain nursing leadership capacity. This research study makes an important contribution to the nursing literature by showing that nurses’ leadership self-efficacy appears to be an important determinant of their motivation to lead and desire to pursue a career as a nurse leader.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».