Phenomenological characteristics of autobiographical future thinking in nurses with burnout: a case-control study
Notice bibliographique
Résumé
Objective Nurses constitute the largest group of healthcare workers worldwide, and job burnout is very common among them. This study aims to explore abnormal future thinking in nurses with burnout. Additionally, the study investigates whether these manifestations worsen as burnout progresses. Methods The study was conducted in inpatient ward nurses at a tertiary hospital in Hangzhou, China. In the first phase, two group of nurses were recruited: nurses with burnout (N = 70) and nurses without burnout (N = 70). In the second phase, three groups were recruited according to the burnout levels: mild burnout (N = 43), moderate burnout (N = 42) and severe burnout (N = 43). Data on job burnout were obtained using the Chinese Maslach Burnout Inventory. The Sentence Completion for Events in the Future Test (SCEFT) was employed to measure the content of future thinking, which was evaluated by two raters in terms of the specificity, emotional valence, and concrete content of the imagined future events. The proportions of specific types of events among all the produced events were calculated. Results The results revealed that nurses with burnout, compared to nurses without burnout, imagined fewer specific future events, positive events, and events related to relationships and achievement. They also had more omissions. As the level of burnout increased, their impairment in future thinking worsened. Furthermore, the results also revealed that the scores of emotional exhaustion, depersonalization, and personal accomplishment had significant correlations with the proportions of positive events and events related to relationships and achievement/mastery in nurses’ future thinking content. Conclusion The future thinking ability of nurses with burnout was impaired, and this impairment worsened as the symptoms of burnout progressed. The findings of the present study have important implications for nurse caring and advocate effective interventions targeting positive future thinking to mitigate nurses’ burnout.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».