Factors influencing equine veterinarians' job satisfaction and retention: A focus group study
Notice bibliographique
Résumé
BACKGROUND: There is a shortage of equine veterinarians. Understanding what factors are associated with job satisfaction in equine veterinarians can inform interventions to increase retention in equine medicine. OBJECTIVE: To explore the prominent factors causing work dissatisfaction and burnout in equine veterinarians. STUDY DESIGN: Qualitative research study consisting of semi-structured focus groups. METHODS: Thirty-seven current and former equine veterinarians across the United States were recruited via snowball and convenience sampling to answer questions on work history, work-life balance, and perceptions of equine practice. Transcripts were analysed in Delve and coded in the context of the Conservation of Resources (COR) theory. A card sorting activity was used to rank the four types of resources in the COR theory (condition, object, energy, and personal). RESULTS: Condition resources were the most frequently mentioned reasons for work dissatisfaction. These included issues with discrimination or bias due to age, race/ethnicity, and gender, unpredictable and long hours, and heavy workloads. Object resources, such as equipment, were rarely mentioned. Energy resources, including pay and student loan debt, were influential, with most participants feeling that equine veterinarians are underpaid. Personal resources, such as problem-solving skills and enjoyment in helping others, improved job satisfaction. MAIN LIMITATIONS: Although recruiting efforts prioritised perspectives of black, indigenous, and people of colour, lesbian, gay, bisexual, transgender, queer plus identities, and members with disabilities, demographic information was not directly collected. CONCLUSIONS: The main barriers to equine veterinary retention included a lack of work-life balance, long hours, lower-than-expected pay, and issues with discrimination and bias. This study highlights areas for intervention to improve the equine veterinary field, such as higher pay, rural practice incentives, and effective diversity, equity, inclusion, and belonging (DEIB) efforts. A shift toward caseload-sharing between veterinarians could help alleviate excessive emergency on-call and burnout.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».