An Intersectional Analysis of Moral Distress and Intention to Leave Employment Among Long-Term Care Providers in British Columbia
Notice bibliographique
Résumé
Long-Term Care (LTC) workers have reported declining emotional well-being over the past few years. In this study, we aimed to explore the relationship between intersectional inequities and moral distress among those working in LTC in British Columbia, Canada. This was an observational, cross-sectional, and retrospective study administered through a survey. Data collection occurred between October and December 2022. We estimated mean levels of moral distress through an adapted version of the Moral Distress Scale (MDS) at the two-way intersections of gender and racial/ethnic identity among LTC providers. We also estimated an equivalent distress mitigation score. Then, we explored which worker attributes (i.e., gender, racialized experiences, profession, work arrangement, migratory information, and professional distress levels) were more predictive of intention to leave work using a Random Forest model. We found notable difference in experiences of moral distress across intersecting identities, including high moral distress scores among Indigenous men (77.0, 95% CI: 65.7 to 88.4) and women (72.43, 95%CI: 65.44 to 79.43) and white women (68.17, 95% CI: 65.67 to 70.67). Significant differences in mitigation scores were also found by intersectional identities. The most distressing experiences of white women and women of colour (~80% of our sample) were those related to workload, lack of time with residents, and lack of time for self. 73.5% of Indigenous women were considering leaving their position. Moral distress was the most important predictor of intention to leave work. The differences across racial and gender identity groups, in both sources of distress and preferred mitigation strategies, suggest the need for tailored interventions to address moral distress among LTC providers. Further research and collaboration with stakeholders are warranted to develop comprehensive strategies.
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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».