Strengthening the Indomitable Spirit of Nurses Through Targeted Resilience Education
Notice bibliographique
Résumé
Abstract Nurses face complex stressors in their work including routine exposure to human suffering and potentially traumatic events. Consequently, nurses are at risk of moral distress, workplace burnout, and compassion fatigue. The aim of this study was to design, develop, and test a health-promoting resilience education program for nurses. The research questions were as follows: (1) Are resilience scores of nurses affected by resilience education? (2) How do nurses understand resilience in the context of their workplace? (3) What role does resilience play in nurses’ mental health? (4) Is single-session targeted resilience education effective in maintaining resilience scores over time? Nurses in this study are moderately resilient as noted by their pre-education scores on the Resilience Scale (RS) and the Resilience at Work (RS@W) Scale. Resilience scores significantly increased immediately after resilience education and were sustained over time. Nurses have an array of health strategies for maintaining their resilience; these were further enhanced through experiential education. Increased resilience scores resulted in changes in nurses’ behavior and thinking, and new strategies were integrated into the nurses’ “toolbox” of cognitive and behavioral skills. Building and sustaining a strong foundation of resilience and well-being is key for nurses to maintain mental health, cope with work-related stressors, and provide safe competent patient care. Study outcomes offer opportunities to change the narrative from nursing as perilous and risky to one of strength, flourish, and growth. Beyond individual resilience, system-level change is required to support the well-being of healthcare personnel.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».