Evaluating the efficacy of a mindfulness mobile app for stress reduction in nurses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: All Nurses experience work stress that can take their focus away from patient care. Healthcare organizations strive to identify successful, cost-effective stress reduction programs. Mindfulness Based Stress Reduction (MBSR) training is a validated approach to stress reduction, usually in a class format. However, financial and time constraints make it inaccessible to most practicing nurses. Alternatively, mobile mindfulness apps offer an approach to mindfulness that can reach large populations, are available 24/7, anonymous, and cost effective.Methods: This prospective, study evaluated the efficacy of a mindfulness mobile app for stress reduction in nurses utilizing Whil, a Mobile App that offers mindfulness training specifically geared towards health professionals. Eight hundred and fifty-two nurses were recruited from twelve sites (71 per site) within a large Health Care System in the Northeast United States.Results: Two scales were used to test results. Nurses Stress Scale (NSS) results indicated that nurses experienced a reduction in stress level with use and time spent in the app. Nurses in the 31-40 age range and nurses on 12-hour shifts experienced greater stress levels.Conclusions: Significant differences were seen in the Subscales Conflict with Physicians, Conflict with other Nurses, and Lack of Support. There was no change in the Mindfulness Attention Awareness Scale (MAAS) over time. Spearman’s correlation showed a significant and negative correlation between NSS and MAAS scores. The Whil Mobile App is effective for stress reduction in practicing nurses on all shifts and is cost effective.
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.
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 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle