A mixed methods analysis of predictors of a toxic culture among nurses
Notice bibliographique
Résumé
Objective: The three-year Workforce Engagement for Compassionate Advocacy, Resiliency, and Empowerment (WE CARE) project targets well-being and resilience of post-pandemic nurses in a hospital environment as part of a 2020 grant-funded collaborative agreement with the Health Resources and Services Administration. This project aims to examine extrinsic factors associated with the perception of a toxic work environment among post-pandemic nursing personnel and further describe the toxicity present at work.Methods: A mixed methods design was conducted at an academic medical center in the Southeastern United States to assess nursing well-being. An open-ended question to explore nurses’ perceptions of toxic work environment was added to an annual email survey on well-being topics. All nursing personnel were solicited and 1,359 responded. Results: A total of 366 individuals (27%) selected toxic work environment as a stressor and 50 respondents commented contributing 218 instances of themes. Lack of leadership was the most frequent theme identified (63/218, 28.9%) but others included, in descending order, relational aggression, negative attitudes, lack of job accountability, gossip, favoritism, lack of teamwork, attitudes/bullying, negative work environment, cliques, and lack of trust. The respondents who perceived a toxic culture also reported significantly lower perceived organizational support (M = 7.22) than who did not (M = 9.21) (p < .001, Cohen’s D = 0.64); and other significantly worse outcomes including burnout (60.9% versus 33.5%, Cramer’s V = 0.22), and moral distress (34.4% versus 16.8%, Cramer’s V = 0.17).Conclusions: Although this was a single site study and cannot be generalized, the findings of 27% of nursing personnel experiencing a toxic work environment is notable. Perceived lack of leadership was the most prominent theme. Those reporting a toxic culture also reported lower indicators of well-being. This project should provide an impetus for others to investigate this phenomenon among their respective workforces.
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 | 0,029 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».