First-line managers’ perspectives of employee engagement, burnout, and active disengagement during the COVID-19 pandemic
Notice bibliographique
Résumé
The COVID-19 global pandemic created unprecedented rapid change and increased organizational stress, especially in healthcare organizations. Employee engagement rates decrease during times of change and organizational stress, such as the pandemic. Positive patient outcomes, including lower mortality rates, are attributed to engagement. Germane to this study is that first-line managers are key to maintaining and improving employee engagement. The concept of employee engagement is consistent; however, the concepts that are opposite to engagement including burnout and active disengagement differ. The question central to this study is, if different concepts are described as opposite to employee engagement, how are these concepts identified, understood, and subsequently addressed through management interventions, and do the phenomena require different interventions? If first-line nurse managers are expected to positively impact employee engagement and minimize burnout and active disengagement post-pandemic, further exploration of how this triad of concepts is understood, perceived, and experienced by first-line nurse managers is essential. The study occurred in a Western Canadian province impacted by the global pandemic. Using interpretive descriptive methodology, interviews were conducted with first-line healthcare managers to gain an understanding of participants’ perspectives of the phenomena integral to the study. This study is significant because there is a dearth of research regarding the triad of phenomena, active disengagement, burnout, and engagement, despite the influence of the outcomes of the concepts on staff, patients, and organizations. Understanding what engagement is not, and how first-line managers can address staff engagement is paramount to recruiting and retaining healthcare workers.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».