Behind the Frontlines: Insights for Supporting Mental Health and Staff Retention in the Long-Term Care Workforce
Notice bibliographique
Résumé
Background/Objectives: Canada’s long-term care (LTC) sector is struggling with a significant staffing crisis related to shortages, high-turnover rate, and challenging working conditions. The COVID-19 pandemic exacerbated these issues and emphasized the need for improved mental health support for LTC staff. Understanding and addressing the wellbeing of staff is important for ensuring quality of care and promoting a positive work environment for a healthy workforce. This study explored staff experiences in Canadian LTC homes during the COVID-19 pandemic and offers staff-driven recommendations to support staff mental health and retention moving forward. Methods: We applied the Collaborative Action Research (CAR) methodology to explore practical strategies with LTC staff to inform actions for change. Sixteen staff members working in two large urban Canadian LTC homes were interviewed using remote videoconferencing and phone calls to conduct one-on-one interviews. Thematic analysis was performed. Results: Our analysis identified four themes: depletion, lack of support, providing resources and sense of community. The SUPPORT framework was created based on staff recommendations to improve LTC staff mental health and retention. Conclusions: Urgent attention is needed to support the LTC workforce through practice change and improved policy. The implementation of comprehensive frameworks such as SUPPORT can play a pivotal role in fostering staff resilience, enhancing job satisfaction, and promoting a healthy workforce for aged care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,022 | 0,010 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».