Nurses Perceptions of the Utilization of the Violence Assessment Tool (VAT) in Northeastern Ontario
Notice bibliographique
Résumé
Workplace violence (WPV) is an ongoing problem in health care. Most of the cases of WPV are caused by the patients, patients’ families, and friends. Violence in hospitals among registered nurses has led to 56% of lost time injuries, and in 2018, Ontario’s Workplace Safety and Insurance Board (WSIB) reported 13% of lost time injuries due to WPV. The Public Services Health and Safety Association (PSHSA) created the Violence Assessment Tool [VAT] to predict the possible risk of violence from patients in acute care settings. Health care workers can use the VAT to assess risk, apply possible control measures and improve their safety. As part of a larger study, the aim of this research is to explore nurses’ perceptions of the utilization of the VAT in assessing the potential risk of violence, and to identify any gaps, challenges, or improvements needed in the VAT. An Interpretive Description research design by Sally Thorne in (2016) will be used. The model that will guide this study is the Haddon Matrix framework of workplace violence prevention. The study will involve three focus groups via zoom virtual meetings with 6 to 8 participants per session, and an expected total of 18-24 participants. Focus group interviews will use semi-structured questions to guide the discussion among nurses working in a Northeastern Ontario hospital. Interpretive description data analysis will be guided by Thorne’s processes of data analysis. This will be the first study to examine nurses’ perceptions of the VAT in Ontario. The findings of this study will help to determine the predictive validity of the VAT and any potential changes that may be needed. The findings of this study could lead to reduced violence and associated costs within the healthcare sector.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».