Factors Associated with Working During the COVID-19 Pandemic and Intent to Stay at Current Nursing Position
Notice bibliographique
Résumé
The pandemic exacerbated job stress and burnout among nurses, increasing turnover and intentions to leave, in a workforce struggling with severe shortages. Shortages and turnover are associated with decreased quality of care, poor nurse health, and increased costs. This article reports the findings of a study that sought to identify characteristics of the job, work environment, and psychosocial health outcomes that may predict nurses' intent to stay at their current nursing position within the next year. Utilizing a cross-sectional design, we electronically surveyed working nurses (n = 629) during the summer of 2020 across 36 states. Demographics, work characteristics, and validated measures of anxiety, insomnia, and depressive symptoms were assessed. Logistic regression models identified factors associated with nurses' intent to stay at their jobs. Colleague support, organizational support, and organizational pandemic preparedness were associated with increased odds of intent to stay, while both mild and moderate/severe depressive symptoms were associated with decreased odds of intent to stay. Because over a quarter of nurses surveyed reported moderate to severe depressive symptoms, which were strongly associated with turnover intention, organizational leadership should examine mental health resources available to nurses and work characteristics that could be contributing to nurses' poor psychosocial health. Additionally, further research is needed to assess the meaning of organizational support to nurses in a post-COVID-19 context, as well how to create a work environment in which nurses are able to provide support to their colleagues.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 |
| 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 ».