The Prevalence and Predictors of Compassion Satisfaction, Burnout and Secondary Traumatic Stress in Registered Nurses in an Eastern Canadian Province: A Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: The quality of Registered Nurses' worklife is impacting nurses' mental health, and the standard of care received by clients. Contributing factors to nurses' stress are the trauma of continuous caring for those in great suffering, and adverse working conditions. OBJECTIVES: i) to explore the prevalence of work-related stress in a provincial sample of Registered Nurses; ii) to compare the levels of compassion satisfaction, burnout and secondary traumatic stress reported by nurses in hospital, community, non-direct care settings, and, iii) to identify factors that predict levels of nursing work stress. METHODS: A descriptive, predictive study with a self-report survey containing demographic questions and the Professional Quality of Life Scale was emailed to over 3,300 Registered Nurses. The scale measured the prevalence of three worklife indicators, compassion satisfaction, burnout and secondary traumatic stress. Multiple linear regression identified factors that predicted the levels of the three indicators. A subgroup analysis explored the quality of worklife based on three practice environments. FINDINGS: Nurses (n = 661) reported moderate compassion satisfaction, burnout, and secondary traumatic stress. The strongest predictor, satisfaction with one's current job, predicted high compassion satisfaction and lower burnout and secondary stress. The subgroup analysis identified hospital nurses as having the most work-related stress and the lowest level of compassion satisfaction. CONCLUSION: Innovative, collaborative action can transform nurses' practice environments. Organizational support is essential to bring about needed improvements.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».