Using evidence-based debriefing to combat moral distress in critical care nurses: A pilot project
Notice bibliographique
Résumé
Objective: Moral distress (MD) is a problem for nurses that may cause despair or disempowerment. MD can have consequences like dissatisfaction or resignation from the nursing profession. Techniques such as evidence-based debriefing may help nurses with MD. Creating opportunities for critical care nurses to debrief about their MD might equip them with the tools needed to overcome it. Measuring MD by using the Moral Distress Thermometer (MDT) could provide insight into how debriefings help nurses. The purpose of this pilot project was to examine the impact of evidence-based debriefing sessions on critical care nurses’ sense of MD.Methods: This pilot project used a quasi-experimental, one-group, before-during-after design. Critical care nurses (N = 21) were recruited from one unit at a large academic medical center. Four debriefing sessions were held every 2 weeks. Participants completed the MDT 2 weeks before the first session, at the end of each session they attended, and 1 month after the debriefing sessions.Results: In the pilot project, participants felt that debriefing was helpful by increasing their self-awareness, giving them time to commune with colleagues, and encouraging them to improve self-care habits; however, MDT scores did not change significantly when comparing pre with post intervention scores (t(12) = 0.78, p = .450).Conclusions: The use of debriefing may help nurses gain self-awareness of MD and it may offer nurses strategies to build moral resilience.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».