Dehumanization and attitudes toward LGBTQ individuals among primary healthcare nurses: The role of personality traits and LGBTQ health knowledge
Notice bibliographique
Résumé
OBJECTIVE: Aim: This study investigates dehumanization and attitudes toward LGBTQ+ individuals among primary healthcare nurses in Greece, exploring the influence of personality traits, empathy, and LGBTQ+ health knowledge. PATIENTS AND METHODS: Materials and Methods: A cross-sectional design was used with 114 public-sector primary healthcare nurses completing self-report questionnaires between July and October 2023. Instruments included a culturally adapted dehumanization scale, the Ten-Item Personality Inventory, and the Toronto Empathy Questionnaire. Statistical analysis included Mann-Whitney and Kruskal-Wallis tests, Spearman's correlations, and linear regression. RESULTS: Results: The sample was predominantly female (74.6%), heterosexual (93.9%), and Christian Orthodox (93%). Only 8.8% had attended LGBTQ+ healthcare courses, and 33.3% had cared for LGBTQ+ patients. Mechanistic dehumanization showed limited associations with personality traits, while animalistic dehumanization was negatively correlated with willingness to care (r = -0.441, p < 0.001) and comfort with LGBTQ+ care (r = -0.391, p < 0.001). Empathy and openness to experience influenced attitudes and willingness to care. Higher empathy unexpectedly reduced willingness to care, while emotional stability and conscientiousness predicted dehumanization. CONCLUSION: Conclusions: Findings highlight a moderate dehumanization trend among nurses, affecting LGBTQ+ patients' care quality. Educational initiatives targeting LGBTQ+ health knowledge, empathy training, and the influence of personality traits are critical to fostering inclusive care and reducing dehumanization in healthcare settings.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».