Moral distress, coping mechanisms, and turnover intent among doctors, nurses, and in-home or community care providers in British Columbia
Notice bibliographique
Résumé
Objectives:Moral distress has been identified as both a contributor to healthcare worker attrition as well as an outcome of it. To this aim, our study applies intersectional analysis to explore moral distress levels among doctors, nurses, and in-home- or community-care-providers in British Columbia, Canada with a specific focus on the intersection of race and gender identity. Furthermore, it aims to identify which experiences were more distressing, and the predicted turnover intent for each intersecting identity and profession.Methods:We conducted an online survey of 1,314 healthcare professionals from all health regions of BC. Our descriptive analysis was stratified by the participants’ profession. The categorical variables included age, gender, racial identity, migratory history, and type of work contract. The continuous variables included a moral distress score (range: 0 to 144) and a mitigation score consisting of 11 distress-coping strategies (range: 0 to 275).Results:Nurses had significantly higher moral distress scores compared to physicians and in-home- or community-care-practitioners (H-CCPs). Only 24.7% of physicians had considered leaving their position or had already left, compared to 61.3% of H-CCP, and 72.7% of nurses. White women had significantly higher moral distress levels than White and Indigenous men, whereas women of colour were more distressed than White men, though these differences were no longer significant after adjusting the scores by profession. Men had higher mitigation scores than women across all groups. Sources of distress and mitigation strategies differed across identity groups. White men had a significantly lower turnover intention (15.3%) than all other groups. Conclusion:High distress scores and turnover intention responses, particularly among women and racialized healthcare workers indicate an urgent need to address the root causes of moral distress.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».