Personal and professional factors influencing career choice regret during the COVID-19 pandemic
Notice bibliographique
Résumé
Objective: Many healthcare workers (HCWs) have been subjected to additional workplace and personal stressors during the COVID-19 pandemic. Some stressors may be more likely to contribute to career choice regret and the decision to leave the healthcare profession. Loss of critical numbers of personnel could leave healthcare systems without a ready, capable workforce. The purpose of this research was to determine which personal and professional characteristics increased frequency of career choice regret.Methods: An international, cross-sectional survey was conducted to determine if specific personal and professional characteristics were associated with career choice regret and intent to leave. One short-answer item was included in the 20-item survey. The sample consisted of 874 English-speaking HCWs from 18 countries with representation of various practice settings, disciplines, ages, and years in healthcare.Results: Significant correlations between pre- and intra-pandemic frequency of thoughts about leaving the healthcare profession were observed. Ordinal regression analyses were conducted, finding significant relationships between career regret thoughts and female gender, age, and death of a family member or friend. Death of a coworker was not associated with increased thoughts of leaving the healthcare profession. Themes from the short-answer item included fatigue, anger, doubt, fulfillment, and the pandemic as a journey.Conclusions: Healthcare systems may be vulnerable to a loss of HCWs due to the effects of working during the COVID-19 pandemic. Hospital and health system executives need to understand the current threats to the stability of the workforce and develop strategies to prevent attrition of skilled, capable professionals.
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 | 0,002 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».