The Use of Music to Manage Burnout in Nurses: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVE: There is a high prevalence of burnout in nurses. This systematic review investigates the use of music to manage burnout in nurses. DATA SOURCE: MEDLINE (Ovid), MEDLINE InProcess/ePubs, Embase, APA PsycINFO, the Cochrane Central Register of Controlled Trials, and ClinicalTrials.gov databases were searched. STUDY INCLUSION AND EXCLUSION CRITERIA: Full-text articles were selected if the study assessed the use of music to manage burnout in nurses. Burnout was defined according to the International Classification of Diseases 11th Revision. DATA EXTRACTION: Data were extracted using an Excel sheet. The second and third authors independently extracted study characteristics, frequency and type of music engagement, measures of burnout, and burnout outcomes (occupational stress, coping with stress, and related symptoms such as anxiety). DATA SYNTHESIS: Study and outcome data were summarized. RESULTS: The literature search resulted in 2210 articles and 16 articles were included (n = 1205 nurses). All seven cross-sectional studies reported upon nurses' self-facilitated use of music including music listening, playing instruments, and music entertainment for coping or preventing stress, supporting wellbeing, or enhancing work engagement. Externally-facilitated music engagement, including music listening, chanting, percussive improvisation, and song writing, was reported in the four randomized controlled trials and five cohort studies with reductions in burnout outcomes. CONCLUSIONS: Self-facilitated and externally-facilitated music engagement can help to reduce burnout in 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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».