Psychological hardiness, social support, and emotional labor among nurses in Iran during the COVID-19 pandemic: A cross-sectional survey study
Notice bibliographique
Résumé
Our study of nurses in Tehran was conducted in June of 2020, when the lockdown from the pandemic had been implemented. Nurses had been faced with how to effectively manage their own emotion responses during patientcare. Our study aims to evaluate how psychological and social resources were jointly related to the use of emotional labor through surface acting and deep acting among nurses at public hospitals. The study design was a single-wave, cross-sectional self-report questionnaire survey containing validated measures where the nurses reported on their work experiences during the pandemic. The participants came from five out of 50 public hospitals within Tehran . Of the 250 nurses chosen by using multi-stage randomly sampling, 224 were retained after listwise deletion of missing data and outliers. Through a survey questionnaire, participants responded to scale measures of psychological hardiness, social support, and emotional labor to investigate the joint impact of hardiness and social support on emotional labor. Their responses provided information on the (1) validity and reliability of all variables, and (2) the hypothesized structural relations, using SPSS -AMOS 22 software. Challenge and control were related to social support; coworker sympathy and supervisory support were related to surface acting; coworker sympathy was related to deep acting. Under strong support, high hardiness was most negatively related to surface acting and positively related to deep acting. Through coworker and supervisory support, hardiness became an effective means for nurses to regulate their own emotions during interactions to enhance patientcare.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».