Tingkat Kecemasan Perawat dalam Menangani Pasien Covid-19 di Wilayah Kabupaten Blora
Notice bibliographique
Résumé
Nowadays, the world is still at the time of the COVID-19 pandemic, where cases are still increasing every day. Nurses as the front line in treating COVID-19 patients have a major role in providing direct services to patients. Therefore, nurses are at high risk of dealing with psychological conditions such as anxiety. Nurses who are directly involved in handling and treating COVID-19 patients are at risk of experiencing psychological issues. Method: This research is descriptive research using a cross-sectional with a survey via google form. The population in this research were nurses at Three Blora District Hospitals, they are RSUD Dr. R. Soetijono Blora, RSU Permata Blora, and RSUD Dr. R. Soeprapto Cepu. Researchers will use a sample of 20 nurses in each hospital. Results: The results of the analysis of the data collected from the 40 COVID-19 nurses revealed that 52,5% of the respondents experienced mild anxiety; 27,5% had moderate anxiety; 10% had severe anxiety; while 10% did not experience any anxiety. Covid-19 nurses who are women, 35-45 years old, Diploma Three of Nursing tend to have higher levels of anxiety. Conclusion: Marital status, hospital support and depression levels are the factors that affect the level of anxiety among COVID-19 nurses in hospitals. Hospital support is a significant factor affecting anxiety levels.Keywords: Covid-19, Nurses, Anxiety.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,007 |
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 ».