Factors contributing to burnout among nursesof stationary and outpatient psychiatric wardsduring the COVID-19 pandemic
Notice bibliographique
Résumé
AMA Pietraszek D, Trawińska J, Kołodziej W. Factors contributing to burnout among nurses of stationary and outpatient psychiatric wards during the COVID-19 pandemic. Nursing Problems / Problemy Pielęgniarstwa. 2024;32(1):46-51. doi:10.5114/ppiel.2024.139133. APA Pietraszek, D., Trawińska, J., & Kołodziej, W. (2024). Factors contributing to burnout among nurses of stationary and outpatient psychiatric wards during the COVID-19 pandemic. Nursing Problems / Problemy Pielęgniarstwa, 32(1), 46-51. https://doi.org/10.5114/ppiel.2024.139133 Chicago Pietraszek, Dorota, Joanna K. Trawińska, and Wiesława Kołodziej. 2024. "Factors contributing to burnout among nurses of stationary and outpatient psychiatric wards during the COVID-19 pandemic". Nursing Problems / Problemy Pielęgniarstwa 32 (1): 46-51. doi:10.5114/ppiel.2024.139133. Harvard Pietraszek, D., Trawińska, J., and Kołodziej, W. (2024). Factors contributing to burnout among nurses of stationary and outpatient psychiatric wards during the COVID-19 pandemic. Nursing Problems / Problemy Pielęgniarstwa, 32(1), pp.46-51. https://doi.org/10.5114/ppiel.2024.139133 MLA Pietraszek, Dorota et al. "Factors contributing to burnout among nurses of stationary and outpatient psychiatric wards during the COVID-19 pandemic." Nursing Problems / Problemy Pielęgniarstwa, vol. 32, no. 1, 2024, pp. 46-51. doi:10.5114/ppiel.2024.139133. Vancouver Pietraszek D, Trawińska J, Kołodziej W. Factors contributing to burnout among nurses of stationary and outpatient psychiatric wards during the COVID-19 pandemic. Nursing Problems / Problemy Pielęgniarstwa. 2024;32(1):46-51. doi:10.5114/ppiel.2024.139133.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».