MétaCan
Menu
Retour à la cohorte
Enregistrement W4416125696 · doi:10.1111/jan.70380

Understanding the Second Year of the <scp>COVID</scp> ‐19 Pandemic From a Nursing Perspective: A Multi‐Country Descriptive Study

2025· article· en· W4416125696 sur OpenAlexfundno aff
Allison Squires, Hillary J. Dutton, María Guadalupe Casales-Hernández, Javier Isidro Rodríguez López, Juana Jiménez-Sánchez, SangA Lee, Tae Wha Lee, Juliana Smichenko, Jakub Lickiewicz, Iwona Malinowska‐Lipień, Dulamsuren Damiran, Shanzida Khatun, Brigita Skela‐Savič, Maria Anyorikeya, Ho Yu Cheng, Derby Muñoz Rojas, Halyna Skipalska, Enkhjargal Yanjmaa, Theresa P. Castillo, Anna Zisberg, Raymond Aborigo, Larissa Burka, Lan Zhuo, Patrick Engel, Amal Mobarki, Simon Jones

Notice bibliographique

RevueJournal of Advanced Nursing · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesFogarty International CenterYork University
Mots-clésPandemicDescriptive researchCoronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakDescriptive statisticsPublic health

Résumé

récupéré en direct d'OpenAlex

AIM(S): To determine common and distinct factors experienced by nurses working in acute care settings during the second year of the COVID-19 pandemic. DESIGN: An online qualitative descriptive study with eight open-ended questions and a comprehensive demographic profile administered via the Qualtrics XM survey software. METHODS: Thirteen countries formed teams and led online data collection in their respective countries through various approaches. The data collection period occurred between January 1, 2021, and February 28, 2022. Descriptive thematic analysis was conducted in English (with translation), Spanish, and Korean to analyse the qualitative data. Descriptive statistics summarised the responses to the demographic profile. RESULTS: Worldwide, a final sample size of n = 1814 produced 6483 qualitative data points for analysis. The results identified ongoing occupational risk factors for nurses during the pandemic's second year, including mental health issues, yet showed some improvements in access to personal protective equipment and resources. Four themes emerged from the qualitative analysis, highlighting role changes, living states, and insights into the implementation of pandemic response measures. CONCLUSION: Despite individual occupational risks nurses described, structural factors associated with healthcare delivery produced common nursing experiences during the pandemic. Additionally, at least two distinct stages of pandemic response implementation were demarcated by treatment availability (e.g., vaccine development). IMPLICATIONS FOR THE PROFESSION AND/OR PATIENT CARE: There is potential for common pandemic response policies for nurses, centered on specific factors, such as the increased provision of mental health support services by healthcare organisations. IMPACT: This study helped determine the common and distinct work experiences during the second year of the COVID-19 pandemic. Nurses simultaneously experienced increased workload, role changes, perpetual fear and fatigue, daily hostility, and chaos in the implementation of pandemic responses. The results will impact nurses and those they serve along with future pandemic response policies. REPORTING METHOD: We have adhered to the SRQR reporting guidelines. PATIENT OR PUBLIC CONTRIBUTION: This study did not include patient or public involvement in its design, conduct, or reporting.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,011
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0030,005
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,133
Tête enseignante GPT0,448
Écart entre enseignants0,315 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced NursingMême sujetCOVID-19 and Mental HealthTravaux en français237 207