Work Experience and Anger Management in Nurses: Cross-Sectional Analysis Based on Benner’s Novice to Expert Theory
Notice bibliographique
Résumé
Background: Nursing is an emotionally demanding profession where unmanaged anger can compromise patient care and teamwork. While clinical experience is thought to enhance emotional regulation, the relationship between work experience and anger management remains poorly understood. Objective: This study aimed to assess whether work experience predicts anger management ability among nurses, using Benner's Novice to Expert Theory as a guiding framework. Methods: A descriptive cross-sectional study was conducted in 2024 involving 265 nurses working in hospitals affiliated with Kermanshah University of Medical Sciences, Kermanshah, Iran. Stratified random sampling was used based on hospital wards. Data were collected using a demographic questionnaire and the State-Trait Anger Expression Inventory-2. Statistical analyses included Pearson correlation analysis, t tests, ANOVA, and multiple linear regression analysis. Normality was tested using the Kolmogorov-Smirnov test. The sample size was determined using parameters referenced in prior studies and confirmed with G*Power software (Heinrich-Heine-University Düsseldorf). Results: Although nurses with more experience reported slightly higher anger control scores, the correlation between work experience and anger management was not significant (r=-0.079, P=.18). Regression analysis revealed that shift type and job security significantly predicted anger regulation, independent of experience level. Conclusions: Work experience alone does not ensure improved anger management among nurses. Organizational factors such as shift scheduling and employment stability may have a greater influence on emotional regulation. Institutions are encouraged to provide structured support and stress management training, especially for early-career nurses.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 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) | 0,001 | 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 ».