MétaCan
Menu
← Retour à la cohorte
Enregistrement W4390480068

THE EFFECT OF THE COVID-19 CRISIS ON THE SATISFACTION AND PERFORMANCE OF NURSES

2022· article· en· W4390480068 sur OpenAlexaboutno aff
Milana-Mazal MAZOR

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCOVID-19 Pandemic Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakPsychologySevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)VirologyMedicineInternal medicine
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The study reviews the effect of the COVID-19 crisis on the satisfaction and performance of nurses during the crisis as examined in studies carried out in ten countries (Italy, Australia, Great Britain, Germany, Israel, New Zealand, Spain, Canada, Romania, and Switzerland). The purpose of the study is to identify the scope and frequency of the phenomena reported by the nursing workforce from a broad global perspective and to provide information and recommendations to improve preparation for the future. The review shows that the COVID-19 crisis has affected the mental health of the nurses (Spain, Switzerland), anxiety, depression, and burnout (Switzerland, New Zealand, Canada, Germany), deterioration of working conditions mainly due to lack of staff, high employee turnover, and the lack of personal protective equipment (UK), and symptoms of stress and fear of contracting the disease (Romania, Germany, Canada). Also, the experience of coping during the pandemic period is seen as a deep mental trauma (Italy) and is characterized by the lack of mental support for the medical staff (Israel). The phenomena reported by the nursing staff in the countries examined caused less ability to function, lack of confidence, (to plan, concentrate, and organize), and a general decrease in motivation (Australia). Post-traumatic stress disorders were reported in all the countries examined.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,309
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in Economics→Même sujetCOVID-19 Pandemic Impacts→Travaux en français237 207→