Making sense of violence and victimization in health care work: The emotional labour of ‘not taking it personally’
Notice bibliographique
Résumé
Despite significant impacts on employee health, workplace violence tends to be minimized and normalized by service workers and by organizations, with employees implicitly held culpable for causing aggression through how they manage interactions. Little is known about how workers accomplish minimization and normalization, or how this process might be entwined with the emotional labour of containing difficult emotions. In this paper an emotional labour lens is joined with a social phenomenological approach to analyze in-depth interviews with 26 employees of one multi-unit health care facility in Western Canada. The purpose was to examine health care workers’ emotional and interpretive responses to aggression from patients and families. Through undertaking ‘deep acting’ and maintaining their moral identities, workers contained fear through minimizing and normalizing aggression and contained frustration through acknowledging mitigating circumstances. This involved constructing themselves as victims of misdirected emotions, and patients and families as victims of aging, caregiving, disability, dementia, and/or dying processes. Emotional labour supports organizational interests in ensuring smooth workflows and promoting patient satisfaction and well-being. It involves ambivalence and contradiction and can reproduce discourses detrimental both to workers and to resident care.
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 | 0,013 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,055 |
| Communication savante | 0,012 | 0,006 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».