When Nurses Leave: A Critical Incident Study of Turnover Intentions
Notice bibliographique
Résumé
AIM: The aim of the study was to identify critical incidents that may have led nurses to consider leaving their practice setting or their profession. DESIGN: A qualitative design using the Critical Incident Technique (CIT) within a larger mixed-methods study. METHODS: Participants were asked to write about a problematic situation in their workplace which made them consider leaving their job or the profession. Thematic analysis was used to analyse the data. The COREQ checklist for qualitative research was used in this study. RESULTS: There was a total of 350 critical incidents written by 187 nurses. Four themes were identified: (1) working within constraints (2) abandoned (3) compromised care and (4) unpredictability of work. An underlying issue throughout the nurses' stories was the perception of not being respected or valued. CONCLUSION: Making the decision to leave was not based on any one single event, but rather on a process that evolved over time based on many challenging situations that nurses encountered. IMPLICATIONS FOR THE PROFESSION: Understanding the complex reasons that lead nurses to consider leaving is essential in order to identify targeted interventions to retain nurses. IMPACT: This study addresses the issue of nurses' intentions to leave. One of the findings suggests that nurses need to feel valued and want to be more involved in unit-based decisions. The results of this study will help managers gain a better understanding of why nurses consider leaving. REPORTING METHOD: The Consolidated Criteria for Reporting Qualitative Research (COREQ) guidelines for qualitative research were followed. PATIENT OR PUBLIC CONTRIBUTION: No patient or public contribution.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».