The Relationship between Individual Characteristics, Work Shift and Mental Workload with Work Fatigue in Nurses at Wava Husada Hospital
Notice bibliographique
Résumé
Nurses are one of the professions that have a high risk of work fatigue. Almost 80% of nurses in Canada experience work fatigue. Work fatigue occurs due to an imbalance between task demands and work capacity. This study included quantitative research with an analytical observational type of research. The research design used was cross-sectional. The population of this study was all inpatient nurses of Wava Husada Hospital with a sample of 136 respondents. The result showed that 12.5% of nurses experienced low category work fatigue, 69.1% of nurses experienced moderate category work fatigue, 16.9% of nurses experienced high category work fatigue and 1.5% of nurses experienced very high category work fatigue. There was a moderate relationship between age (r=0.509) and work fatigue. There was no relationship between sex (r=-0.055) and work fatigue and no relationship between length of service (r=0.127) and work fatigue. Then there was a moderate relationship between nutritional status (r=0.402) and work fatigue, a strong relationship between work shift (r=-0.547) with work fatigue and a moderate relationship between mental workload (r=0.360) and work fatigue. Gender and length of service are weakly associated with work fatigue. While age, nutritional status and mental workload are associated with moderate work fatigue, and work shift is strongly associated with work fatigue. Hospitals should periodically measure work fatigue to nurses and provide counselling and training related to work fatigue and prevention efforts.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 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 ».