What’s in an eye roll? It is time we explore the role of workplace incivility in healthcare
Notice bibliographique
Résumé
A recent study of patient violence toward hospital physicians and nurses offers a welcome perspective in its classifying of aggressive behaviors as workplace violence. While patients and families are widely recognized as sources of rude behaviors, we need to shed light on passive aggressive and other low-level rude behaviors that take place frequently amongst hospital personnel as well. Studied under the term "workplace incivility," these seemingly insignificant behaviors that show lack of regard for colleagues have far reaching negative consequences. Examples of such consequences include intentionally reducing work effort, spending time worrying, and taking frustration out on customers. In addition, incivility creates a spiral effect, where one type of incivility breeds other forms of same. In healthcare, rudeness plays a pivotal role due to its negative impact, which goes to the heart of service delivery. For example, healthcare professionals who are exposed to incivility, even when not directed specifically at them, are at risk of inflicting iatrogenic injury. Within the complexity of hospital environments, incivility gets fueled and maintained by underlying beliefs such as "because we work in a high-pressure environment, it's okay to skip the niceties." Tackling these beliefs is key to taming workplace incivility. This article poses questions worthy of further scientific inquiry. Finally, Israeli researchers and practitioners are advised to find a better term for workplace incivility to replace the currently used, excessively negative term gasut ruach.
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 | 0,037 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,008 |
| 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 ».