Identifying the most important workplace factors in predicting nurse mental health using machine learning techniques
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
OBJECTIVES: Nurses are at a high risk of developing mental health problems due to exposure to work environment risk factors. Previous research in this area has only examined a few factors within nurses' work environments, and those factors were not conceptualized with the goal of improving workplace mental health. The purpose of this study is to identify the most important work environment predictors of nurse mental health using a comprehensive and theoretically grounded measure based on the National Standard of Psychological Health and Safety in the Workplace. METHODS: This is an exploratory cross-sectional survey study of nurses in British Columbia, Canada. For this study, responses from a convenience sample of 4029 actively working direct care nurses were analyzed using random forest regression methods. Key predictors include 13 work environment factors. Study outcomes include depression, anxiety, post-traumatic stress disorder (PTSD), burnout and life satisfaction. RESULTS: Overall, healthier reports of work environment conditions were associated with better nurse mental health. More specifically balance, psychological protection and workload management were the most important predictors of depression, anxiety, PTSD and emotional exhaustion. While engagement, workload management, psychological protection and balance were the most important predictors of depersonalization, engagement was the most important predictor of personal accomplishment. Balance, psychological protection and engagement were the most important predictors of life satisfaction. CONCLUSIONS: Routine assessment with standardized tools of nurses' work environment conditions and mental health is an important, evidence-based organizational intervention. This study suggests nurses' mental health is particularly influenced by worklife balance, psychological protection and workload management.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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