Influence of Socio-Cognitive Factors on Intention to Emigrate among Nurses Working in Nakuru County, Kenya
Notice bibliographique
Résumé
Nurse emigration is the process by which nurses move from their home country to another country in search of better job opportunities, higher salaries, improved working conditions, and international experience. In Kenya, nurse emigration is a growing challenge often attributed to deficits in Human Resource Standards. This high level of emigration imposes additional costs on the government and taxpayers due to repeated training cycles and disruptions in the delivery of quality healthcare services. Beyond HR-related factors, demographic, psychological, and psychosocial dimensions also play a critical role. Understanding these factors in conjunction with HR standards is essential for improving healthcare delivery and workforce stability. This study investigated nurses’ intention to migrate within the context of Nakuru County, Kenya. It involved a sample of 150 nurses employed across seventeen health facilities in the Nakuru West Sub-County. Guided by Social Cognitive theory, the study adopted a cross-sectional design to explore the effects of socio-cognitive factors on emigration intention. Results revealed that 80.7% (n=150) of nurses firmly intend to emigrate, with 74.7%(n=150) already enrolled in immigration processes. The United States was the most preferred destination, followed by the United Kingdom (18.7%, n=150), Australia (10.7%, n=150), and Canada (4.7%, n=150). Socio-cognitive factors significantly influenced emigration intention: motivation (β = 0.353, p < .05), attention (β = 0.346, p < .05), and self-efficacy (β = 0.348, p < .05). These variables explained a substantial portion of the variance in emigration intention, underscoring their predictive strength. These findings highlight the urgent need to address cognitive determinants of nurse emigration to reduce emigration intention.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».