Improving the Psychosocial Work Environment to Prevent Sickness Absence and Turnover in Nurses: A Systematic Review
Notice bibliographique
Résumé
In nurses, the high rates of sickness absence (SA) and turnover generate staggering costs. Their prevalence could be reduced by acting on the work‐related psychosocial factors (WRPFs) that can impact the mental health of nurses and lead to their absences and departures. However, there is a lack of consensus regarding the effectiveness of interventions that target WRPFs from a SA and turnover prevention perspective. This systematic review aims to identify interventions that target WRPFs to reduce SA and turnover in nurses, describe the methods used to evaluate their effectiveness, and report on their effectiveness at improving SA, turnover rates, and turnover intention. A systematic search was conducted using eight online databases and search engines (i.e., CINAHL, Embase, Catalogue ISST, Google Scholar, OSH Update, PsycINFO, PubMed, and Social SciSearch). Empirical studies that focus on an intervention that targets at least one WRPF and aims at reducing SA, turnover rates, or turnover intention among nurses were included. The methodological quality of each study was assessed using the Medical Education Research Study Quality Instrument. Fourteen articles focusing on 13 interventions met the inclusion criteria. The interventions targeted individuals ( n = 4), groups ( n = 2), leaders ( n = 2), and organizations ( n = 5). The interventions aimed mainly at reducing workplace bullying and lateral violence and improving leadership. The research designs varied greatly across studies, and the results regarding the effects of the interventions on SA and turnover behaviors and intention were inconsistent. Innovative interventions targeting WRPFs need to be developed and implemented, and sophisticated methods to evaluate their effectiveness at reducing SA and turnover behaviors and intention should be employed.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 | 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 ».