How can we increase attraction and retention of nurses? A research with young nurses
Notice bibliographique
Résumé
The persistent challenges in attracting and retaining a diverse healthcare workforce, with a specific focus on nurses, have become increasingly pronounced in recent years. These hurdles have been exacerbated by a growing difficulty in retaining young nurses, thereby exacerbating labor shortages driven by demographic shifts and the retirement of experienced nursing professionals. While most research efforts have concentrated on the broader issue of nurse retention, our study is centered on a specific demographic—young nurses. Our research endeavors to shed light on the unique challenges faced by young nurses through a qualitative survey involving nursing students who are simultaneously employed. We seek to discern the multifaceted obstacles they encounter in both their academic environment and the healthcare organizations where they work. While certain challenges are linked to course organization, examinations, and the time required for studying, our respondents overwhelmingly emphasize the pivotal role of the work environment in facilitating the harmonization of work, family, and educational commitments. This reconciliation is achieved through measures such as flexible working arrangements and the efficient organization of nursing duties. The primary objective of our research is to provide insights into how these diverse challenges can be effectively addressed and how a range of measures can significantly contribute to the attraction and retention of nursing students, as well as the long-term retention of nurses within the healthcare system. Our recommendations are intended to be of practical use to a wide array of stakeholders, including academic institutions, particularly colleges and universities offering nursing programs, as well as hospitals, clinics, and other healthcare institutions that hire nurses. By collaboratively addressing these challenges and implementing the recommended measures, we aim to fortify the healthcare workforce and ensure the continued provision of quality care to patients.
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 | 0,029 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».