Job Satisfaction and Retention Survey for Nurses in an Acute Care Hospital in Ontario
Notice bibliographique
Résumé
Introduction: The nursing shortage in Ontario persists in a post-pandemic era and poses a challenge in meeting the human resource needs of acute care hospitals. Strong evidence emphasizes the need to understand what satisfies and retains registered nurses (RNs) and registered practical nurses (RPNs) working in Ontario hospitals. Limited quantitative studies have examined job satisfaction and retention of RNs and RPNs in Ontario (Canada). Purpose: The purpose of this study was to adapt and develop a valid and reliable instrument to evaluate the job satisfaction and retention intent of RNs and RPNs working in acute care settings in Southwestern Ontario. Methods: A pilot study of 88 RNs and RPNs employed across three acute care hospitals within the Niagara Health System completed surveys via Qualtrics; data collection occurred between July 2024 and September 2024. The dataset was analyzed using descriptive statistics, bivariate, multivariate, and thematic analysis. Results: Overall, participants' job satisfaction and retention scores were high, with RPNs demonstrating statistically significantly higher job satisfaction than RNs. Themes included hiring more staff, improving compensation, fostering a positive work environment, and enhancing management-staff communication. Conclusion: Our study used an adapted and validated survey to examine job satisfaction and retention among RNs and RPNs in three acute-care hospitals in Ontario (Canada). The hallmark results demonstrated that RNs and RPNs reported high job satisfaction and retention levels. With further psychometric testing of this study’s survey, the newly developed survey could be used to study other healthcare settings across Ontario and Canada.
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 | 0,001 |
| 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 ».