Substance Use in Registered Nurses: “I Heard About a Nurse Who . . .”
Notice bibliographique
Résumé
BACKGROUND: Estimates of substance use (SU) in nurses is on par with that of the general population: between 6% and 8%. However, collecting sensitive information such as SU is difficult based on social desirability and fears of disclosure. AIMS: Part of a larger study surrounding nurses’ self-reports of SU ( n = 1,478), the purpose was to explore open-ended responses of nurses ( n = 373) who were invited to “Please add any additional comments related to substance or alcohol use that you have experienced or witnessed in registered nurses.” METHOD: This qualitative study employed a content analysis of 373 nurses’ open-ended responses collected via an online survey. RESULTS: The majority of nurses ( n = 250) forwarded comments that described SU in other nurses, while 24 comments reflected the nurse’s past or current SU. Content analysis revealed the following four themes: (1) differing social network proximity to SU; (2) individual process: vulnerability to adaptive/maladaptive coping resulting in positive and negative outcomes; (3) bedside, system, and organizational spaces and effects; and (4) there are no SU issues in nursing. CONCLUSIONS: Although direct reports of SU constitute approximately one quarter of the comments forwarded, nurses reported peers’ struggles with SU, including observing nurses working in patient care while impaired and the use of substances to cope with work and personal stressors. Individual factors and system-related failures appear to be contributors to SU in nurses.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».