Practitioner-Identified Priorities for Dedicating Resources to Address Workplace Factors Impacting Sonographer Health and Well-Being
Notice bibliographique
Résumé
Objectives: Supporting sonographers' health and well-being requires targeting the workplace factors they identify as most influential. This study examined sonographers' perspectives to guide priorities for resource allocation and solution development. Materials & Methods: An online survey of 1,276 U.S. and Canadian sonographers asked participants to rate 30 workplace factors across four categories-workflow, equipment/physical environment, administrative/organizational environment, and training/health practices-on their perception of impact on well-being and importance for understanding and improving. Respondents selected up to five factors as the highest priorities for immediate action and resource allocation. Results: Five factors ranked among the top ten across specialties and were rated as significantly impactful and important by more than two-thirds of respondents: productivity requirements (76.9% impact, 74.3% importance), staff scheduling policies (73.2%, 74.4%), supervisor support (72.1%, 71.2%), exam room furniture (73.1%, 68.0%), and ultrasound machine design (69.3%, 75.6%). Exam scheduling was the top priority across all practice areas and the only factor identified in the top five by a majority of all respondents. Conclusions: While specialty area differences exist, sonographers consistently identified administrative and organizational factors as the most impactful, important, and of highest priority for immediate action. Addressing these concerns requires contextualized solutions developed with direct practitioner input.
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 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».