MétaCan
Menu
Retour à la cohorte
Enregistrement W3084296497 · doi:10.1371/journal.pone.0237028

“The hardest job you will ever love”: Nurse recruitment, retention, and turnover in the Nurse-Family Partnership program in British Columbia, Canada

2020· article· en· W3084296497 sur OpenAlexafffundabout
Karen Campbell, Natasha Van Borek, Lenora Marcellus, Christine Kurtz Landy, Susan M. Jack

Notice bibliographique

RevuePLoS ONE · 2020
Typearticle
Langueen
DomaineNursing
ThématiqueNursing education and management
Établissements canadiensUniversity of VictoriaYork UniversityMcMaster University
Organismes subventionnairesPublic Health AgencySimon Fraser UniversityMinistry of Children and Family Development, British ColumbiaPublic Health Agency of CanadaHamilton Health SciencesSigma Theta Tau InternationalMcMaster UniversityCanadian Nurses Foundation
Mots-clésNursingGeneral partnershipNursing shortageAutonomyContext (archaeology)Health careRelocationMedicinePsychologyNurse educationPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Nurse turnover is a significant issue and complex challenge for all healthcare sectors and is exacerbated by a global nursing shortage. Nurse-Family Partnership is a community health program for first-time pregnant and parenting girls and young women living in situations of social and economic disadvantage. In Canada, this program is delivered exclusively by public health nurses and only within a research context. The aim of this article is to explore and describe factors that contribute to recruitment, retention, and turnover of public health nurses delivering Nurse-Family Partnership in British Columbia, Canada between 2013 and 2018. METHODS: Interpretive description was used to guide sampling, data collection and analytic decisions in this qualitative component drawn from the British Columbia Healthy Connections Project mixed methods process evaluation. Semi-structured, individual interviews were conducted with 28 public health nurses who practiced in and then exited Nurse-Family Partnership. RESULTS: Nurses were motivated to join this program because they wanted to deliver an evidence-based program for vulnerable young mothers that fit with their personal and professional philosophies and offered nurse autonomy. Access to program resources attracted nursing staff, while delivering a program that prioritizes maintaining relationships and emphasizes client successes was a positive work experience. Opportunities for ongoing professional development/ education, strong team connections, and working at full-scope of nursing practice were significant reasons for nurses to remain in Nurse-Family Partnership. Personal circumstances (retirement, family/health needs, relocation, career advancement) were the most frequently cited reasons leading to turnover. Other factors included: involuntary reasons, organizational and program factors, and geographical factors. CONCLUSIONS: Public health organizations that deliver Nurse-Family Partnership may find aspects of job embeddedness theory useful for developing strategies for supporting recruitment and retention and reducing nurse turnover. Hiring nurses who are the right fit for this type of program may be a useful approach to increasing nurse retention. Fostering a culture of connectivity through team development along with supportive and communicative supervision are important factors associated with retention and may decrease turnover. Many involuntary/external factors were specific to being in a study environment. Program, organizational, and geographical factors affecting nurse turnover are modifiable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,098
Score d'incertitude au seuil0,710

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0230,003
Communication savante0,0040,001
Science ouverte0,0030,004
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,074
Tête enseignante GPT0,276
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetNursing education and managementTravaux en français237 207