Stress and coping strategies among nurse managers
Notice bibliographique
Résumé
Background: The role of Nurse Managers (NMs) is dynamic, multifaceted and complex thus, exposing NMs to high levels of work-related stress which seriously impact general wellbeing, and organizational outcomes.Methods: A quantitative cross-sectional approach was employed to examine the phenomenon of stress among NMs in 38 selected hospitals. Census approach was used to collect data from 267 NMs. Descriptive and inferential statistics were performed to describe the sample and established the predictors of stress.Results: The main causes of stress among NMs are a shortage of staff (94.4%), poor working conditions (91.8%), inadequate management support (89.9%) and heavy workload (89.15%). NMs experienced all the types of stress (psychological, emotional and physical). The major stress coping mechanisms are time management (91.8%), effective communication (91%) and delegation of duties (89.5%) while excessive eating (18.4%) is the least strategy used. Sociodemographic characteristics together explained 6.4% of stress among NMs [R2 = .064, F(6,241) = 2.676, p = .016].Conclusions: Senior managers of hospitals should create a favourable working environment for nurses and the appointment of NMs should be based on experience and competence. Implication for Nursing Practice: Stress among healthcare managers especially, NMs is very common. This current study has extensively proven that stress among NMs affects their general health as well as patient safety and quality of care. Training on stress management should be organized regularly for hospital staff particularly, NMs to enable them to cope better with stress.
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) | 0,000 | 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 | 0,001 |
| 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 ».