Violence against emergency healthcare workers: different perpetrators, different approaches
Notice bibliographique
Résumé
Purpose This study aims to investigate whether emergency health-care workers distinguish between different categories of perpetrators of violence and how they respond to different types of perpetrator profiles. Design/methodology/approach Five focus groups with emergency health-care workers were held in Canada. The participants were asked whether they identified different groups of perpetrators of violence and how that impacted their approach. The focus group responses were transcribed verbatim and analysed thematically using a phenomenological approach. Findings Participants consistently identified five groups of perpetrators and tailored their approach on their assessment of the type of perpetrator involved. The five categories are: violence or aggressive behaviour from family members or bystander and violence related to; underlying mental health/illness issues; underlying physical health issues; addiction and substance use; and repeat visitors/offenders. Violence with an underlying (mental) health cause was handled professionally and compassionately by the health-care workers, while less patience and understanding was afforded in those instances where violence was associated with (recreational) alcohol or illicit substance use. Originality/value Emergency health-care workers can consistently distinguish between types of perpetrators of violence and aggression, which they then use as one factor in the clinical and situational assessments that inform their overall approach to the management incidents. This conclusion supports the need to move the focus away from the worker to the perpetrator and to an organisational rather than individual approach to help minimise violence against emergency health-care workers.
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 | 0,004 | 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».