The impact of COVID-19 on nurses’ job satisfaction: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: The global healthcare landscape was profoundly impacted by the COVID-19 pandemic placing nurses squarely at the heart of this emergency. This review aimed to identify the factors correlated with nurses' job satisfaction, the impact of their job satisfaction on both themselves and their patients, and to explore strategies that might have counteracted their job dissatisfaction during the COVID-19 pandemic. Methods: The Joanna Briggs Institute (JBI) methodology for systematic reviews of prevalence and incidence was used in this review. The electronic databases of CINAHL, MEDLINE, SCOPUS, PsycINFO and Academic Search Complete were searched between January 2020 to February 2023. Results: The literature review identified 23 studies from 20 countries on nurses' job satisfaction during the COVID-19 pandemic. A pooled prevalence of 69.6% of nurses were satisfied with personal, environmental, and psychological factors influencing their job satisfaction. Job satisfaction improved psychological wellbeing and quality of life, while dissatisfaction was linked to turnover and mental health issues. Conclusion: This systematic review elucidates key factors impacting nurses' job satisfaction during the COVID-19 pandemic, its effects on healthcare provision, and the potential countermeasures for job dissatisfaction. Core influences include working conditions, staff relationships, and career opportunities. High job satisfaction correlates with improved patient care, reduced burnout, and greater staff retention. Systematic review registration: https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42023405947, the review title has been registered in PROSPERO and the registration number is CRD42023405947.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,003 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».