Association of quality of nursing care with violence load, burnout, and listening climate
Notice bibliographique
Résumé
BACKGROUND: Violence against nurses is common. Previous research has recommended further development of the measurement of violence against nurses and integration of the individual and ward-related factors that contribute to violence against hospital nurses. This study was designed to address these issues by investigating the associations between violence, the listening climate of hospital wards, professional burnout, and perceived quality of care. For this purpose, we used a new operationalization of the violence concept. METHODS: We sought nurses to participate in the study through social media which yielded 765 nurses working in various healthcare systems across Israel who volunteered to complete a self-administered online questionnaire. 80% of the sample were hospital nurses, and 84.7% were female. The questionnaire included validated measures of burnout, listening climate, and quality of care. Instead of using the traditional binary measure of exposure to violence to capture the occurrence and comprehensive impact of violence, this study measured the incremental load of violence to which nurses are subjected. RESULTS: There were significant correlations between violence load and perceived quality of care and between constructive and destructive listening climates and quality of care. Violence load contributed 14% to the variance of burnout and 13% to the variance of perceived quality of care. The ward listening climate moderated the relationship between burnout and quality of care. CONCLUSIONS: The results of this study highlight the impact of violence load among nurses and the ward listening climate on the development of burnout and on providing quality care. The findings call upon policymakers to monitor violence load and allocate resources to foster supportive work environments to enhance nurse well-being and improve patient care outcomes.
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 | 0,018 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».