Relationship between Burnout and Job Psychological Motivation among Correctional Officers in Kisumu Maximum Prison, Kenya
Notice bibliographique
Résumé
The current study aims to investigate the relationship between burnout and job psychological motivation among correctional officers. Some officers engage deeply in drug and substance abuse, murder, homicide, suicide, absenteeism and desert duties. Job psychological motivation is needed to improve positive drive and performance of officers. A few studies have considered investigating the correlates of burnout and psychological work motivation among this population in Kenya. The objectives of the study were to establish the prevalence of burnout and find out the relationship between burnout and job psychological motivation among correctional officers of Kisumu Maximum Prison. A descriptive and correlational research design was used in this study. Quantitative method was used. The target population was 522 officers. Stratified random sampling technique was used for the four ranks sampled through proportionate sampling for representativeness; Yamane’s formula was used to reach a sample size of 156. Reliability of the instrument was measured through test retest and reliability index recorded as .90. Instruments, which were used for measurement in this study, were the Maslach Burnout Inventory and the Multidimensional Work Motivation Scale. Data analysis on prevalence of burnout was carried out using descriptive statistics, while data on burnout and psychological job motivation was correlated using Pearson’s correlation technique. The study established prevalence of burnout revealed by high level in emotional exhaustion with a mean of 39.61, whereas personal accomplishment (average = 35.81) and depersonalization (mean = 9.03) revealed that they experience moderate levels of burnout. The study found a fairly negative relationship between burnout and job psychological motivation among the officers. (r = -0.768; Sig. = .025). The study recommends that prison management should find ways to reduce burnout and increase job psychological motivation among correctional officers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».