A mixed methods exploratory evaluation of burnout in frontline staff implementing dialectical behavior therapy on a pediatric eating disorders unit
Notice bibliographique
Résumé
BACKGROUND: Eating disorders are life-threatening illnesses that commonly affect adolescents. The treatment of individuals with eating disorders can involve slow treatment progression and addressing comorbidities which can contribute to staff burnout. Dialectical behavior therapy (DBT) has emerged as a viable treatment option and has reduced staff burnout in several other settings. Our aim was to describe frontline staff burnout using mixed methodology on a DBT-trained combined inpatient/day hospital unit for pediatric eating disorders. METHOD: Frontline staff were trained to provide DBT skills for adolescents with eating disorders. Twelve months following the training and implementation, they completed the Copenhagen Burnout Inventory (CBI) and a qualitative interview. Directed and summative content analyses were used. RESULTS: Eleven frontline staff including nurses, child life specialists and child and youth workers participated. The CBI revealed that only one staff member experienced high personal burnout, while another experienced high client-related burnout. Qualitative data indicated that all frontline staff felt DBT had the potential to reduce burnout. CONCLUSION: Qualitative data indicate that staff believe that DBT may hold promise in reducing burnout for pediatric frontline staff who treat children and adolescents with eating disorders. Further study is needed. Understanding burnout is particularly important for nursing staff in inpatient and day hospital settings for eating disorders, as nursing staff generally have the most frequent patient contact; thought to be a risk factor for burnout. The reduction of burnout can prevent detrimental effects on job performance, personal well-being, and patient outcomes. Our exploratory study shows that frontline staff believe that DBT may have the potential to reduce burnout in staff treating children and adolescents with eating disorders in a combined inpatient/day hospital setting. Further study is needed in this area.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».