Increased workplace bullying against nurses during COVID-19: A health and safety issue
Notice bibliographique
Résumé
Nurses are the backbone of healthcare organizations. However, as frontline workers, nurses are regularly exposed to perilous conditions and workplace harassment, with a few or no avenues to report or seek adequate support. This causes frustration and stress among nurses and can eventually lead to compromised patient care. This also contributes to workplace bullying, which results in a toxic and stressful work environment. This problem is a global health and safety issue due to its highly negative impact on both individuals and organizations. Recent studies indicate that the COVID 19 pandemic has significantly increased incidents of workplace bullying against nurses. Several contributing factors have been highlighted, when considering the underlying causes of workplace bullying against nurses, including power disparity, organizational attributes, and the image of nurses, as portrayed in the media. Because the pandemic has brought the challenge of creating a safe work environment for nurses to the fore, now more than ever, healthcare organizations need to take bold actions to protect nurses. Nursing management needs to implement bullying prevention interventions that provide nurses with a safe work environment. Using empirical and theoretical literature as its basis, this paper aims to discuss workplace bullying against nurses and consider how this problem has been impacted by the COVID 19 pandemic. This paper recommends the application of a Socio Ecological Model (SEM), which provides evidence-based interventions intended to reduce workplace bullying against nurses.
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 | 0,004 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».