Nurses' and Physicians' Distress, Burnout, and Coping Strategies During COVID-19: Stress and Impact on Perceived Performance and Intentions to Quit
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Health care providers (HCPs) have experienced more stress and burnout during COVID-19 than before. We compared sources and levels of stress, distress, and approaches to coping between nurses and physicians, and examined whether coping strategies helped mitigate the negative impact of stress and intentions to quit. METHODS: Using a cross-sectional study design, burnout was measured with the Maslach Burnout Inventory. Psychological distress was measured using the Depression, Anxiety, and Stress Scale. A self-reported survey was used to evaluate stressors, impact on perceived performance, and intentions to quit. The data were analyzed using t-tests and linear regression models. RESULTS: Responses of 119 HCPs were analyzed. Findings suggest that (1) compared to physicians, nurses experienced a higher level of distress and burnout, and used more maladaptive coping strategies. (2) Both nurses and physicians experienced more distress and burnout during COVID-19 than before. (3) Adaptive coping strategies moderated the negative impact of stress on work performance (4) Adaptive coping strategies moderated the negative effect of stress on burnout, which in turn reduced intentions to quit. Stress negatively impacted work performance and burnout only for those with low, but not high, levels of adaptive coping strategies. DISCUSSION: The current findings of HCPs' challenges, risks, and protective factors provide valuable information (1) on COVID-19's impact on HCPs, (2) to guide the distribution of institutional supportive efforts and recommend adaptive coping strategies, and (3) to inform medical education, such as resilience training, focusing on adaptive coping approaches.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle