Violence, Harassment, and Turnover Intention in Home and Community Care: The Role of Training
Notice bibliographique
Résumé
BACKGROUND: Violence and harassment affect healthcare workers' well-being and career decisions in the home and community care sector. PURPOSE: The objective of this study is to assess the role of training in alleviating the relationship between violence and harassment at work and turnover intention among personal support workers (PSWs). METHODOLOGY/APPROACH: Cross-sectional survey data from 1401 PSWs in Ontario, Canada are analyzed with structural equation modeling. Utilizing a resource perspective, the associations between job demands (i.e., violence and harassment at work), personal resources (i.e., self-esteem), job resources (i.e., workplace violence training and challenging task training), stress, and intention to stay among personal support workers (PSWs) are examined. RESULTS: Challenging task training is positively associated with self-esteem and negatively associated with stress, whereas workplace violence training does not have a significant association with either variable. Stress has a negative relationship with intention to stay. Self-esteem is the mediator of both associations between violence and harassment at work and stress and between challenging task training and stress. DISCUSSION: The results point to varied degrees of training effectiveness that may be shaping turnover decisions of PSWs who experience violence and harassment in home and community care organizations. PRACTICE IMPLICATIONS: There seems to be a need to assess and redesign workplace violence training. Home and community care managers might be able to lower the impact of violence and harassment on PSWs' turnover by providing training that is not directly related to workplace violence and harassment.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».