Strengths-Based Nursing and Healthcare Leadership: An Approach to Minimize the Rate of Burnout in Healthcare
Notice bibliographique
Résumé
Healthcare workers, especially nurses, are susceptible to burnout at more prevalent rates than the rest of the population. We argue that one way to mitigate rates of burnout in healthcare is by putting a spotlight on the Strengths-Based Nursing and Healthcare Leadership (SBNH-L) approach. Literature on SBNH-L is in its infancy, and no literature to date has looked at this leadership approach in relation to burnout. This study aimed to understand how SBNH-L can foster a culture of inclusion in nursing (and healthcare) and how this can be reflected in the rates of burnout among nurses and other healthcare employees. We surveyed 357 healthcare workers in Canada (144 of whom were nurses) using the AskingCanadians online data collection service. The participants were asked to complete the SBNH-L questionnaire in relation to their manager, a perceived inclusion questionnaire and a self-rated burnout questionnaire. To analyze the data, we conducted a mediation analysis using the PROCESS macro on SPSS. The results showed that inclusion partially mediated the relationship between SBNH-L and emotional exhaustion in the full healthcare sample. These results contribute to findings on the newly developed leadership approach of SBNH-L. They also extend into the clinical world to provide insight into inclusion as a mechanism to mitigate burnout rates.
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 | 0,021 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».