Workplace Cyberbullying Among Healthcare Workers: A Systematic Review of the Prevalence, Antecedents and Consequences
Notice bibliographique
Résumé
Workplace cyberbullying is a growing issue that raises serious public health concerns due to its potential for physical and emotional harm. Previous studies on workplace bullying in the healthcare industry have mainly focused on traditional bullying or explored cyberbullying's effect in specific regions or demographic groups. This study aims to systematically review the prevalence, antecedents and consequences of workplace cyberbullying among healthcare workers. Following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) reporting guidelines, four academic databases (i.e., Web of Science, PubMed, Scopus and EBSCO) were systematically searched on July 31, 2025. Data were extracted on cyberbullying characteristics, classification, prevalence, antecedents and consequences. Out of 821 studies, 21 were eligible for inclusion. The study's results indicate that victimisation rates of workplace cyberbullying among healthcare workers range from 1.5% to 46.6%, with an incidence rate of workplace cyberincivility of 36.8% for nurses. Drawing on the Social-Ecological Model and Organisational Conflict Theory, the antecedents of workplace cyberbullying among healthcare workers can be classified at the individual, organisational and social levels. Consequences include personal and work-related outcomes. This systematic review suggests that the prevalence of workplace cyberbullying among healthcare workers is highly variable and that uniform standards and tools are needed for its measurement. The identified antecedents and consequences are specific and complex, requiring targeted interventions to prevent and manage cyberbullying 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 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 ».