Workplace Strategies to Reduce Burnout in Veterinary Nurses and Technicians: A Delphi Study
Notice bibliographique
Résumé
Veterinary nurses and technicians are at risk of burnout, which negatively impacts mental and physical health, turnover, and patient care. Workplace contributors to burnout have been identified in this population, but little is known about best practice management strategies. This study used the Delphi method to explore barriers to addressing burnout and develop expert recommendations for workplace management strategies. Forty participants with a minimum of 5 years' industry experience in leadership, or wellbeing, were recruited via purposive sampling from the USA, UK, Australia, New Zealand, and Canada. Participants completed two anonymous, online, mixed-methods surveys between October 2024 and January 2025. Qualitative survey data were analysed using content analysis to identify codes and categorise solutions. Quantitative data were analysed using descriptive statistics. Barriers to addressing burnout included industry-wide barriers, such as lack of, or unclear, regulation and lack of leadership knowledge, and clinic-specific barriers, such as poor team culture, unwillingness for change, and existing burnout. Thirty-nine solutions were developed and rated as being highly, or very highly effective. These focused on themes such as improving communication, developing progression pathways, and providing leadership training and support. Existing workplace barriers must be evaluated prior to selecting strategies, to maximise effectiveness in specific contexts.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».