STAFF PERSPECTIVES ON COUNTERING STAFF-TO-RESIDENT MISTREATMENT IN LONG-TERM CARE FACILITIES
Notice bibliographique
Résumé
Abstract In Canada, as well as in other countries, resident mistreatment is common in long-term care (LTC) facilities. In many situations, residents are mistreated by LTC staff. To address this problem, LTC facility managers and their employees must play an active role in the prevention as well as in the management of staff-to-resident mistreatment situations. However, it is still unclear what type of support they need to counter this type of mistreatment. Using an exploratory descriptive qualitative design, twenty-one managers and employees working in four different LTC facilities participated in semi-structured individual interviews. To allow participants to express themselves without risking self-incrimination or feeling pressured to report colleagues, vignettes depicting fictitious and common situations of staff-to-resident mistreatment were used as a conversation starter. Data analysis was performed using Miles, Huberman & Saldaña (2013) analytical method. Results show that participants think that staff-to-resident mistreatment is mainly caused by three staff characteristics: 1) not having the psychological profile to work in LTC facilities; 2) lack of training; and/or 3) being overworked. Consequently, participants believe that mistreatment prevention starts by improving employee selection practices to ensure candidates have adequate attitudes and training to work in LTC facilities. They also argue that staff should receive more training regarding mistreatment. Lastly, support interventions are suggested to prevent and address situations involving staff experiencing high levels of stress for personal or work-related reasons. This study shows that both individual and organisational measures are needed to fight against staff-to-resident mistreatment in LTC facilities.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».