Spot It, Prevent It: Evaluation of a Rapid Response Algorithm for Managing Workplace Violence Among Home Care Workers
Notice bibliographique
Résumé
BACKGROUND: Workplace violence incidents remain pervasive in health care. Home care workers like personal support workers (PSWs) provide services for clients with dementia, which has been identified as a risk factor for workplace violence. The objective of this study was to evaluate whether the implementation of a rapid response algorithm resolved unsafe working conditions associated with responsive behaviors and decreased perception of risk. METHODS: A nonexperimental pre- and post-evaluation design was utilized to collect data from PSWs and supervisors. PSWs completed an online survey about their experience with workplace violence and perception of risk. Bi-weekly check-ins were conducted with supervisors to track incidents and their level of resolution in the algorithm. Semi-structured interviews were also conducted to gather in-depth feedback about the algorithm in practice. FINDINGS: We found no difference in risk perception among PSWs pre- and post-implementation. However, PSWs who had been employed for less than 1 year had a significantly higher risk perception. Overall, the algorithm was found to be helpful in resolving workplace violence incidents. CONCLUSION AND APPLICATION TO PRACTICE: Opportunity exists to further refine the algorithm and ongoing dissemination, and implementation of the algorithm is recommended to continually address incidents of workplace violence. Newly hired PSWs may require additional supports. Ongoing education and training were identified as key mitigation strategies.
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 | 0,026 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 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) | 0,001 | 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 ».